ANALISIS VOLATILITAS SAHAM SEKTOR PERBANKAN

MENGGUNAKAN METODE GARCH (GENERALIZED AUTOREGRESSIVE

CONDITIONAL HETEROSCEDASTICITY)
(Studi Kasus: Bank Umum BUMN Pada Saham LQ45 yang terdaftar di BEI)

Proposal Penelitian

Oleh:
Jumiati
F1A119023

PROGRAM STUDI MATEMATIKA

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS HALU OLEO
KENDARI
2023
 DAFTAR ISI

HALAMAN JUDUL......................................................................................................i
DAFTAR ISI.................................................................................................................ii
DAFTAR TABEL.........................................................................................................ii
DAFTAR GAMBAR....................................................................................................ii
BAB I PENDAHULUAN.............................................................................................2
1.1 Latar Belakang..........................................................................................2
1.2 Rumusan Masalah.....................................................................................2
1.3 Tujuan Penelitian.......................................................................................2
1.4 Manfaat Penelitian.....................................................................................2
BAB II TINJAUAN PUSTAKA...................................................................................2
2.1 Investasi.....................................................................................................2
2.1.1 Pengertian Investasi.........................................................................2
2.1.2 Jenis Investasi..................................................................................2
2.1.3 Bentuk Investasi..............................................................................2
2.2 Saham........................................................................................................2
2.2.1 Pengertian Saham............................................................................2
2.2.2 Keuntungan Saham.........................................................................2
2.2.3 Risiko Saham...................................................................................2
2.2.4 Hubungan Return dan Risiko..........................................................2
2.3 Perbankan..................................................................................................2
2.4 Volatilitas..................................................................................................2
2.4.1 Pengertian Volatilitas......................................................................2
2.4.2 Jenis Volatilitas...............................................................................2
2.4.3 Manfaat Volatilitas..........................................................................2
2.5 Deret Waktu (Time Series)........................................................................2
2.6 ARIMA......................................................................................................2
2.7 ARCH/GARCH.........................................................................................2
BAB III METODE PENELITIAN................................................................................2

ii
 3.1 Waktu dan Tempat Penelitian...................................................................2
3.2 Teknik Pengumpulan Data........................................................................2
3.3 Populasi dan Sampel.................................................................................2
3.4 Metode dan Analisis data..........................................................................2
3.5 Skema Penelitian.......................................................................................2
BAB IV HASIL SEMENTARA....................................................................................2
4.1 Menghitung Return Saham........................................................................2
4.2 Analisis Deskriptif Data Return................................................................2
4.3 Pemeriksaan Kestasioneran Data Return..................................................2
4.4 Identifikasi Model Box-Jenkins (ARIMA)...............................................2
4.5 Uji Korelasi dan Efek ARCH....................................................................2
4.6 Estimasi Model GARCH...........................................................................2
4.7 Volatilitas..................................................................................................2
BAB V PENUTUP........................................................................................................2
5.1 Kesimpulan................................................................................................2
5.2 Saran..........................................................................................................2
DAFTAR PUSTAKA....................................................................................................2
LAMPIRAN..................................................................................................................2

iii
 DAFTAR TABEL

Tabel 3.1 Perusahaan yang Memenuhi Kriteria Sampel...............................................2

Tabel 4.1 Data Harga Penutupan Harian Saham Bank Mandiri, BNI dan BRI 2

Tabel 4.2 Statistik Deskriptif Return Saham Bank Mandiri, BNI dan BRI..................2
Tabel 4.3 Hasil Uji ADF Saham Bank Mandiri, BNI dan BRI.....................................2
Tabel 4.4 Hasil Identifikasi Model Box-Jenkins (ARIMA) Terbaik.............................2
Tabel 4.5 Hasil Uji Korelasi dan Efek ARCH...............................................................2
Tabel 4.6 Hasil Estimasi Model GARCH.....................................................................2
Tabel 4.7 Prediksi Volatilitas Saham BMRI dan BBRI Periode 7 Hari Kedepan........2

iv
 DAFTAR GAMBAR

Gambar 3.1 Skema Penelitian.......................................................................................2

Gambar 4.1 Plot: (a) Harga Penutupan Saham BMRI; (b) Pola Return Saham BMRI;
(c) Harga Penutupan Saham BBNI; (d) Pola Return Saham BBNI; (e) Harga
Penutupan Saham BBRI; dan (f) Pola Return Saham BBRI 2

Gambar 4.2 Plot: (a) ACF Return Saham BMRI; (b) PACF Return Saham BMRI; (c)
ACF Return Saham BBNI; (d) PACF Return Saham BBNI; (e) ACF
Return Saham BBRI; (f) PACF Return Saham BBRI................................2

v
 BAB I
PENDAHULUAN

I.1 Latar Belakang

Banyak di antara aset yang sering digunakan masyarakat sebagai sarana

investasi salah satunya adalah saham. Saham merupakan bukti kepemilikan atas nilai

suatu perusahaan. Ada banyak sektor perusahaan yang terdaftar di Bursa Efek

Indonesia, salah satunya adalah sektor perbankan. Sektor perbankan merupakan

sektor yang sangat menarik bagi investor saham.

LQ45 adalah indeks berisi 45 emiten yang dipilih Bursa Efek Indonesia (BEI)

berdasarkan kriteria tertentu, seperti memiliki kapitalisasi pasar terbesar serta

likuiditas tertinggi. Sepanjang tahun 2022 saham bank LQ45 bergerak variatif. Ada

yang naik signifikan, namun ada pula yang anjlok drastis. Di tahun 2022 terdapat

tujuh emiten sektor perbankan yang masuk ke dalam indeks LQ45, yaitu Bank Jago

(ARTO), Bank Central Asia (BBCA), Bank Negara Indonesia (BBNI), Bank Rakyat

Indonesia (BBRI), Bank Tabungan Negara (BBTN), Bank Mandiri (BMRI) dan Bank

Syariah Indonesia (BRIS). Di antara kelompok tersebut BMRI menjadi yang paling

bersinar. Selama periode 3 Januari - 27 Desember 2022 harga sahamnya melonjak

41,13%. Kemudian harga saham BBNI naik 38,29% diikuti oleh BBCA dan BBRI.

Di sisi lain harga saham BBTN dan BRIS turun di kisaran 21% dan 28%. Saham

ARTO lebih parah lagi, anjlok sampai 79,34% dalam periode yang sama.

Ada banyak perusahaan perbankan, baik milik negara maupun swasta. Tentu

saja bank-bank BUMN memiliki keunggulan tersendiri yang membuat banyak orang

1
mencari jasanya dan juga ingin menjadi bagian dari investor di perusahaan perbankan

milik negara. Bank Mandiri, Bank BRI, Bank BTN dan Bank BNI adalah bank-bank

milik negara yang terdaftar di Bursa Efek Indonesia.

Pola perilaku saham di pasar saham merupakan indikasi bagi para perilaku

pasar untuk memperoleh return dari modal yang diinvestasikan di pasar modal.

Return (keuntungan) yang diharapkan dapat berasal dari dividen yang dibagikan oleh

perusahaan yang menerbitkan saham (emiten) atau dapat pula berasal dari selisih

positif antara harga saham yang dibeli dengan harga pada saat dijual (capital gain).

Untuk memperoleh return dari selisih harga beli dengan harga jual, volatilitas saham

menjadi perhatian pelaku pasar untuk menentukan strategi yang tepat dalam

berinvestasi.

Volatilitas dalam pasar keuangan menggambarkan fluktuasi nilai suatu

instrumen dalam suatu jangka waktu tertentu. Dalam ilmu statistika, volatilitas

diartikan sebagai perubahan nilai fluktuasi terhadap rata-rata dari sebuah deret waktu

keuangan (Saria dkk., 2017). Adanya volatilitas akan menyebabkan risiko dan

ketidakpastian yang dihadapi pelaku pasar semakin besar, sehingga minat pelaku

pasar untuk berinvestasi menjadi tidak stabil. Selain itu, keberadaan volatilitas juga

berdampak terhadap eksistensi pasar finansial global karena berkaitan dengan

gagasan mengenai risiko.

Volatilitas adalah pengukuran statistik untuk fluktuasi harga selama periode

tertentu. Volatilitas ini digunakan juga dalam memprediksi risiko. Prediksi volatilitas

memiliki pengaruh yang penting dalam pengambilan keputusan investasi. Apabila

2
hasil prediksi menunjukkan volatilitas tinggi maka investor akan meninggalkan pasar

atau menjual aset guna meminimalkan risiko. Oleh karena itu, perlu dilakukan

pemodelan volatilitas.

Data deret waktu pada bidang finansial umumnya memiliki volatilitas yang

tidak konstan sehingga varians akan selalu berubah atau heterogen. Hal tersebut

menyebabkan ketidakpastian sehingga para investor harus lebih berhati-hati dalam

melakukan kegiatan investasi. Di lain pihak, maraknya perkembangan harga saham di

pasar modal telah mendorong banyaknya calon investor untuk lebih mengetahui

saham-saham yang prospektif untuk dibeli baik saat ini maupun beberapa periode ke

depan. Untuk ketidakpastian tersebut di atas, maka perlu dilakukan peramalan

volatilitas pada return saham. Peramalan volatilitas sangat penting dalam bidang

finansial karena akan memberikan dasar yang lebih baik bagi perencanaan dan

pengambilan keputusan.

Juliarini dkk. (2021) menyatakan bahwa terdapat beberapa model pendekatan

yang dapat digunakan untuk memprediksi volatilitas seperti model autoregressive

conditional heteroscedasticity (ARCH) yang diperkenalkan oleh Robert F. Engle

pada tahun 1982, dan dapat digunakan untuk mengatasi keheterogenan varians.

Model ARCH kurang efektif jika digunakan pada orde yang lebih tinggi sehingga

pada tahun 1986 dikembangkan oleh Bollerslev menjadi model generalized

autoregressive conditional heteroscedastisity (GARCH). Model ARCH dan GARCH

banyak digunakan untuk mendeskripsikan bentuk volatilitas suatu data time series

yang heteroskedastisitas.

3
 Volatilitas statistik bergantung pada pilihan model statististik yang

diaplikasikan pada pengembalian aset. Model statistik biasanya merupakan suatu

model time series seperti rata-rata pergerakan atau proses Generalized Autoregressive

Conditional heteroscedasticity (GARCH). Penerapan model tersebut pada data

historis akan membangkitkan perkiraan statistik volatilitas pada masa lalu, dimana

data dari waktu ke waktu tersedia. Hal itu juga akan menimbulkan peramalan

terhadap volatilitas dari sekarang sampai suatu titik dimasa yang akan datang yang

disebut risk horizon (Hartati dan Saluza, 2017).

Penelitian-penelitian terdahulu terkait analisis volatilitas dengan menggunakan

GARCH telah banyak dilakukan, Hartati dan Saluza (2017) melakukan penelitian

tentang analisis volatilitas pada bidang keuangan dengan aplikasi GARCH. Model

yang paling cocok untuk melihat volatilitas pada data keuangan dalam hal ini nilai

tukar mata uang US Dollar terhadap Rupiah adalah model GARCH(1,1), dimana

model yang digunakan untuk mengestimasi nilai tengahnya adalah model AR(1).

Berdasarkan hasil output GARCH (1,1) tersebut dapat disimpulkan bahwa volatilitas

nilai tukar mata uang US Dollar terhadap Rupiah dipengaruhi oleh residual dari satu

lag sebelumnya dan juga dipengaruhi oleh varians dari satu lag sebelumnya.

Selain itu, Adiningsih (2018) melakukan pemodelan dan peramalan volatilitas

return saham di pasar saham Asia menggunakan GARCH model. Hasil penelitiannya

menunjukkan bahwa semua pasar saham di Asia memiliki sifat volatilitas clustering,

model GARCH menunjukan bahwa pasar saham di Asia dipengaruhi oleh guncangan

dan volatilitas pada periode sebelumnya.

4
 Penelitian selanjutnya, Warsito (2022) menganalisis volatilitas Cryptocurrency,

Emas, Dollar, dan Indeks Harga Saham Gabungan (IHSG) dengan GARCH. Hasil

penelitiannya menunjukkan bahwa volatilitas Bitcoin dan Ethereum tidak dipengaruhi

oleh variabel lain, namun dipengaruhi oleh harga dari masing-masing Bitcoin dan

Ethereum pada harga masa lalu.

Tujuan seseorang berinvestasi adalah mendapatkan return seperti dividen dan

capital gain. Tidak hanya memberikan return, kegiatan investasi juga dapat

menimbulkan risiko bagi para investor. Semakin besar tingkat return yang diterima

maka semakin besar pula tingkat risiko yang akan dihadapi (high risk high return).

Tingkat risiko yang ada pada setiap perusahaan yang dipilih oleh investor merupakan

gambaran ketidakpastian yang akan ditanggung oleh para investor jika menanamkan

modalnya pada saham perusahaan tersebut. Oleh sebab itu, investor harus melakukan

pertimbangan secara matang sebelum membeli saham (Mutia dan Martaseli, 2018).

Dengan demikian, salah satu bentuk pertimbangan yang dapat dilakukan dalam

berinvestasi ialah dengan melakukan analisis volatilitas untuk mengetahui kadar

volatilitas aset investasi yang dimiliki sehingga mampu membuat investor lebih bijak

dalam mengelola investasinya.

Berdasarkan uraian-uraian di atas, maka peneliti tertarik untuk mengambil judul

penelitian tentang “Analisis Volatilitas Saham Sektor Perbankan Menggunakan

Metode GARCH (Generalized Autoregressive Conditional Heteroscedasticity) Studi

Kasus: Bank Umum BUMN Pada Saham LQ45 yang terdaftar di BEI”.

5
I.2 Rumusan Masalah

Berdasarkan latar belakang yang telah di uraikan pada Sub Bab 1.1 maka

permasalahan dalam penelitian ini dirumuskan sebagai berikut:

Bagaimana model volatilitas saham yang diperoleh sektor perbankan menggunakan

metode GARCH (Generalized Autoregressive Conditional Heteroscedasticity) dan

seberapa besar tingkat volatilitas yang di hasilkan dari model tersebut?

I.3 Tujuan Penelitian

Tujuan dalam penelitian ini adalah untuk mengetahui model volatilitas

sekaligus membandingkan seberapa besar tingkat volatilitas saham yang diperoleh

sektor perbankan menggunakan metode GARCH (Generalized Autoregressive

Conditional Heteroscedasticity)?

I.4 Manfaat Penelitian

Manfaat yang diharapkan dalam penelitian ini adalah sebagai

berikut.

1. Manfaat Teoritis

Diharapkan dapat lebih memahami tentang volatilitas saham

menggunakan metode GARCH dan aplikasinya di dunia nyata serta

dapat lebih mengembangkan ilmu matematika.

2. Manfaat Praktis.

6
 Diharapkan dapat menambah wawasan pengetahuan sekaligus sebagai sumber

informasi baik bagi pihak penulis, pembaca, peneliti selanjutnya maupun investor

terkait analisis volatilitas saham menggunakan metode GARCH.

7
 BAB II
TINJAUAN PUSTAKA

II.1 Investasi

II.1.1 Pengertian Investasi

Investasi merupakan suatu kegiatan penanaman modal pada sebuah perusahaan

atau proyek berupa aset atau dana untuk jangka waktu tertentu dengan tujuan

memperoleh imbal hasil yang lebih besar (Tyas dkk., 2019). Investasi adalah

menempatkan dana dengan harapan memperoleh tambahan uang atau keuntungan.

Investasi pada hakikatnya merupakan penempatan sejumlah dana pada saat ini

dengan harapan untuk memperoleh keuntungan dimasa mendatang. Dari pengertian

tersebut, dapat disimpulkan bahwa investasi saham adalah penyaluran sumber dana

yang ada sekarang dengan mengharapkan keuntungan dimasa mendatang dengan cara

menempatkan uang atau dana dalam pembelian efek berupa saham dengan harapan

mendapatkan tambahan atau keuntungan tertentu atas dana yang diinvestasikan dalam

perdagangan saham tersebut di bursa efek.

II.1.2 Jenis Investasi

Dalam melakukan investasi, investor harus memahami tujuan investasi dan

mengidentifikasi dimana harus berinvestasi (Mulyana dkk., 2019). Beberapa jenis

investasi di Indonesia yaitu saham, obligasi, reksa dana, dan unit linked insurance

plans (ULIP). Masing-masing jenis investasi tersebut diuraikan berikut ini.

7
1. Saham.

Investasi ini termasuk saham kepemilikan perusahaan di manapun dan membantu

investor untuk mendapatkan dividen sebagai imbalannya.

2. Obligasi.

Investasi ini berarti meminjamkan uang investor ke lembaga atau pemerintah, di

mana investor menerima bunga tetap secara berkala dan juga nilai nominal pada

saat jatuh tempo.

3. Reksa Dana.

Dalam investasi ini, dana dikumpulkan dari investor yang berbeda dan

dimasukkan ke dalam obligasi atau saham perusahaan, yang dikelola oleh

manajer investasi. Dalam memahami apa arti investasi dan tujuan investasi bagi

investor, investor dapat memilih dana ekuitas atau dana utang yang tergantung

pada kapasitas risiko yang dimiliki oleh investor.

4. Unit Linked Insurance Plans (ULIP)

Jenis investasi yang memberikan manfaat investasi dan asuransi jiwa. Sebagian

dari uang yang diinvestasikan ke ULIP dialokasikan untuk investasi, yang berarti

dalam rencana ini sebagian dari premi investor akan diinvestasikan dalam dana

yang berbeda dan membantu investor mendapatkan pengembalian terkait pasar.

II.1.3 Bentuk Investasi

Secara garis besar, ada dua jenis asset yang dapat digunakan sebagai sarana

investasi, yaitu: 1) Real asset, yakni investasi yang dilakukan dalam aset-aset yang

8
berwujud nyata, seperti emas, real estate, dan karya seni dan 2) Financial asset,

yakni investasi yang dilakukan pada sektor-sektor financial, seperti deposito, saham,

obligasi, dan reksadana.

II.2 Saham

II.2.1 Pengertian Saham

Saham adalah salah satu media investasi dan merupakan sebuah bukti

kepemilikan nilai sebuah perusahaan. Harga saham bersifat fluktuatif dan stokastik

sehingga berinvestasi dalam bentuk saham dihadapkan dengan resiko yang tinggi.

Oleh karena itu, saham masih menjadi hal yang menarik untuk memperoleh nilai

harga saham yang mendekati dengan nilai aktualnya (Putri dan Aghsilni, 2019).

Saham (stock) merupakan salah satu instrumen pasar keuangan yang paling

popular. Menerbitkan saham merupakan salah satu pilihan perusahaan ketika

memutuskan untuk pendanaan perusahaan. Pada sisi yang lain, saham merupakan

instrument investasi yang banyak dipilih para investor karena saham mampu

memberikan tingkat keuntungan yang menarik.

Saham dapat didefinisikan sebagai tanda penyertaan modal seseorang atau

pihak (badan usaha) dalam suatu perusahaan atau perseroan terbatas. Dengan

menyertakan modal tersebut, maka pihak tersebut memiliki klaim atas pendapatan

perusahaan, klaim atas asset perusahaan, dan berhak hadir dalam Rapat Umum

Pemegang Saham (RUPS).

9
II.2.2 Keuntungan Saham

Bursa Efek Indonesia menyatakan bahwa pada dasarnya ada dua keuntungan

yang diperoleh investor dengan membeli atau memiliki saham, diantaranya adalah

deviden dan capital gain. Dividen merupakan pembagian keuntungan yang diberikan

perusahaan dan berasal dari keuntungan yang dihasilkan perusahaan. Dividen

diberikan setelah mendapat persetujuan dari pemegang saham dalam RUPS. Jika

seorang pemodal ingin mendapatkan dividen, maka pemodal tersebut harus

memegang saham tersebut dalam kurun waktu yang relatif lama yaitu hingga

kepemilikan saham tersebut berada dalam periode dimana diakui sebagai pemegang

saham yang berhak mendapatkan dividen. Sementara itu, capital gain merupakan

selisih antara harga beli dan harga jual. Capital gain terbentuk dengan adanya

aktivitas perdagangan saham di pasar sekunder. Misalnya Investor membeli saham

ABC dengan harga persaham Rp 3.000 kemudian menjualnya dengan harga Rp 3.500

persaham yang berarti pemodal tersebut mendapatkan capital gain sebesar Rp500

untuk setiap saham yang dijualnya.

II.2.3 Risiko Saham

Bursa Efek Indonesia menyatakan bahwa sebagai instrument investasi, saham

memiliki risiko, diantaranya adalah capital loss dan risiko likuidasi. Capital loss

merupakan kebalikan dari capital gain, yaitu suatu kondisi dimana investor menjual

saham lebih rendah dari harga beli. Misalnya saham PT. XYZ yang di beli dengan

harga Rp 2.000,- persaham, kemudian harga saham tersebut terus mengalami

10
penurunan hingga mencapai Rp 1.400,- persaham. Karena takut harga saham tersebut

akan terus turun, investor menjual pada harga Rp 1.400,- tersebut sehingga

mengalami kerugian sebesar Rp 600 ,- persaham.

Risiko likuidasi terjadi apabila perusahaan yang sahamnya dimiliki dinyatakan

bangkrut oleh Pengadilan, atau perusahaan tersebut dibubarkan. Dalam hal ini hak

klaim dari pemegang saham mendapat prioritas terakhir setelah seluruh kewajiban

perusahaan dapat dilunasi (dari hasil penjualan kekayaan perusahaan). Jika masih

terdapat sisa dari hasil penjualan kekayaan perusahaan tersebut, maka sisa tersebut

dibagi secara proporsional kepada seluruh pemegang saham. Namun jika tidak

terdapat sisa kekayaan perusahaan, maka pemegang saham tidak akan memperoleh

hasil dari likuidasi tersebut. Kondisi ini merupakan risiko yang terberat dari

pemegang saham. Untuk itu seorang pemegang saham dituntut untuk secara terus

menerus mengikuti perkembangan perusahaan.

II.2.4 Hubungan Return dan Risiko

Hal yang paling mendasar yang harus diketahui oleh seorang investor adalah

adanya risiko yang selalu mengikuti return (risk and return trade off). Adapun yang

dimaksud dengan return atau yang seringkali disebut juga sebagai imbal hasil adalah

hasil yang diperoleh dari suatu investasi. Return ini dapat berupa return realisasi/

imbal hasil yang sudah terjadi atau return ekspektasi yang terjadi di masa mendatang.

Return ini biasanya berupa bunga, capital gain dan dividen. Sementara itu, risiko

(risk) didefinisikan sebagai peluang dari tidak tercapainya salah satu tujuan investasi

11
karena adanya ketidakpastian dari waktu ke waktu. Risiko ini terdiri dari dua jenis,

yaitu risiko sistematis (risiko pasar) dan risiko tidak sistematis (risiko yang timbul

dari kebijakan perusahaan). Di antara return dan risiko terdapat hubungan yang

searah atau linier yang menunjukkan bahwa semakin besar risiko yang ditanggung

semakin besar pula tingkat return yang diharapkan.

Berdasarkan sikapnya dalam menghadapi risiko, investor dapat diklasifikasikan

ke dalam bentuk tiga kelompok, di antaranya adalah pengambil risiko (risk seeker),

penghindar risiko (risk everter), dan acuh terhadap risiko (risk indifference).

1. Pengambil Risiko (Risk Seeker)

Investor ini merupakan investor yang apabila dihadapkan pada dua alternatif

investasi dengan pengembalian yang diharapkan sama, maka ia cenderung akan

memilih investasi yang berisiko. Investor yang termasuk pada kelompok risk seeker

merupakan investor yang berani menanggung risiko dan optimis dalam melihat masa

depan. Portofolio saham pemodal ini sebagian ada yang memberikan hasil yang

tinggi dengan risiko yang tinggi dan risiko kecil dengan hasil yang tidak begitu

tinggi. Para pemodal ini biasanya berasal dari golongan kalangan muda yang penuh

perhitungan.

2. Penghindar Risiko (Risk Averter)

Investor ini merupakan investor yang apabila dihadapkan pada dua alternatif

investasi dengan pengembalian yang diharapkan sama, maka ia cenderung akan

memilih investasi yang kurang berisiko. Investor yang termasuk ke dalam kelompok

risk averter merupakan investor yang cenderung untuk menghindari risiko dan

12
berinvestasi pada aset yang memberikan pendapatan tetap, seperti deposito, obligasi,

ataupun saham yang tergolong ke dalam blue chips. Investor ini menyadari tidak

mengharapkan keuntungan investasi yang optimal. Biasanya kalangan investor dalam

kategori ini mayoritas berasal dari kalangan pensiunan yang berkeinginan untuk

mendapatkan keuntungan walaupun sedikit namun pasti.

3. Acuh terhadap Risiko (Risk Indifference)

Investor ini merupakan investor yang cenderung tidak peduli tersebut jenis

investasi mana yang akan diambilnya. Investor yang tergolong ke dalam risk

indiference ini merupakan tipe investor yang hanya cenderung ikut-ikutan dalam

melakukan pembelian atau penjualan efek sesuai dengan gejolak pasar.

II.3 Perbankan

Bank adalah suatu lembaga yang berperan sebagai perantara keuangan antara

pihak yang memiliki kelebihan dana dengan pihak yang memerlukan dana, serta

sebagai lembaga yang berfungsi memperlancar lalu lintas pembayaran. Bank

merupakan suatu badan yang kegiatannya dibidang keuangan melakukan

penghimpunan dana dan penyaluran dana kepada masyarakat terutama guna

membiayai investasi perusahaan.

Berdasarkan definisi-definisi diatas, maka dapat disimpulkan bahwa bank

adalah lembaga keuangan yang kegiatannya menghimpun dan menyalurkan dana dari

dan kepada masyarakat yang memiliki fungsi memperlancar lalu lintas pembayaran.

13
Dengan kata lain bank adalah suatu lembaga keuangan yang usaha pokoknya

memberikan kredit serta jasa-jasa dalam lalu lintas pembayaran dan peredaran uang.

Pengertian bank menurut Undang-Undang No. 10 tahun 1998 tentang

perubahan atas Undang-Undang No. 7 tahun 1992 tentang perbankan adalah badan

usaha yang menghimpun dana dari masyarakat dalam bentuk simpanan dan

menyalurkannya kepada masyarakat dalam bentuk kredit dan bentuk-bentuk lainnya

dalam rangka meningkatkan taraf hidup rakyat banyak.

Fungsi lain yang dipikul perbankan yaitu sebagai lembaga intermediasi. Dalam

hal ini perbankan bertindak sebagai perantara dalam pemindahan dana dari kalangan

penabung kepada pihak lain yang melakukan investasi dalam aktiva riil seperti

fasilitas produksi, peralatan dan gedung. Intermediasi keuangan dapat meningkatkan

efisiensi ekonomi dengan menghimpun dana lebih dari jutaan penabung dan

menyediakannya bagi kalangan investor (pengusaha) guna mendukung kegiatannya.

Dalam melaksanakan fungsi ini, intermediasi keuangan dapat meningkatkan

kesejahteraan bagi pihak penabung maupun pihak investor.

II.4 Volatilitas

II.4.1 Pengertian Volatilitas

Volatilitas merupakan ukuran statistik penyebaran return dari suatu saham yang

bisa diukur dengan standar deviasi atau variansi. Secara umum volatilitas di pasar

keuangan mencerminkan tingkat ketidakpastian atau risiko atas besaran perubahan

nilai suatu saham. Volatilitas dapat dihitung menggunakan rumus standar deviasi,

yang dituliskan pada Persamaan (2.1) berikut.

14
 √
n

∑ ( r t −r )2 (2.1)
t=1
σ t=
n−1

dengan:

r t = return saham pada waktu ke-t

r = nilai rata-rata dari return saham (Sova, 2015).

Volatilitas menceminkan tingkat resiko dari suatu aset dari suatu investasi.

Tingkat volatilitas yang tinggi menunjukkan resiko yang tinggi dan juga tingkat

return yang tinggi. Dengan mengetahui kadar volatilitas aset investasi yang dimiliki

akan membuat investor lebih bijak dalam mengelola investasi nya. Volatilitas juga

dapat digunakan dalam meramal. Kegiatan meramal dalam keuangan adalah

menggunakan data time series. Hal tersebut terkadang menyebabkan munculnya

fenomena heterokedastisitas. Hal ini bisa diakibatkan oleh pergerakan pasar yang

tiba-tiba anjlok, jika ada berita jelek, lalu akan kembali tenang beberapa waktu

kemudian. Artinya data mengalami fluktuasi naik turun yang ekstrem. Dalam literatur

keuangan hal ini dinamakan sebagai volatility clustering (Ariefianto, 2012).

II.4.2 Jenis Volatilitas

Jenis volatilitas yang sering diamati pada pasar saham adalah volatilitas harga

saham serta volatilitas return saham. Volatilitas harga saham menggambarkan

perubahan harga penutupan sebuah saham atau suatu indeks saham yang terjadi

selama kurun waktu pengamatan tertentu. Volatilitas return saham menggambarkan

15
fluktuasi selisih harga pengamatan harian dalam suatu periode pengamatan tertentu

(Saria dkk., 2017).

Menurut Schwert dan Jr (1992), volatilitas dalam pasar keuangan terbagi dalam

lima jenis, diantaranya adalah future volatility, historical volatility, forecast volatility,

implied volatility, dan seasonal volatility. Masing-masing jenis volatisitas tersebut

diuraikan berikut ini.

1. Future Volatility

Future Volatility adalah apa yang hendak diketahui oleh para pemain dalam pasar

keuangan (trader). Volatilitas yang paling baik adalah yang mampu

menggambarkan penyebaran harga di masa yang akan datang untuk suatu

underlying contract.

2. Historical Volatility

Untuk dapat mengetahui masa depan maka perlu mempelajari masa lalu dan

perlu dilakukan pembuatan suatu pemodelan dengan teori pricing berdasarkan

data masa lalu untuk dapat meramalkan volatilitas pada masa yang akan datang.

3. Forecast Volatility

Seperti halnya terdapat jasa yang berusaha untuk meramalkan pergerakan arah

masa depan harga suatu kontrak demikian juga terdapat jasa yang berusaha

meramalkan volatilitas masa depan suatu kontrak. Peramalan bisa jadi untuk

suatu periode, tetapi biasanya mencakup periode yang identik dengan sisa masa

option dari underlying contract.

16
4. Implied Volatility

Pada umumnya future, historical, dan forecast volatility berhubungan dengan

underlying contract. Dalam suatu model teoritis pricing harus memasukkan

implied volatility agar menghasilkan niali teoritis yang identik dengan harga

option di pasar.

5. Seasonal Volatility

Komoditas pertanian tertentu seperti jagung, kacang, kedelai, dan juga gandum

sangat sensitif terhadap faktor-faktor volatilitas yang muncul dari kondisi cuaca

musim yang jelek. Oleh karena itu, berdasarkan faktor-faktor tersebut seseorang

harus menetapkan volatilitas yang tinggi pada masa-masa tersebut.

II.4.3 Manfaat Volatilitas

Sebelum melakukan investasi, investor perlu mengetahui tingkat pengembalian

atau imbal hasil dan tingkat resiko. Analisis volatilitas mampu membantu investor

dalam mengenali tingkat resiko. Selain itu, analisis volatilitas berguna dalam

pembentukan harga, pembentukan portofolio dan manajemen resiko. Dengan begitu

analisis volatilitas mampu membantu investor dalam mengambil sebuah keputusan.

Pada saat nilai volatilitas tinggi maka investor akan seberusaha mungkin menjual

asetnya guna meminimalkan resiko. Namun pada saat volatilitas tinggi hal tersebut

menunjukkan jika harga akan mengalami naik dan turun yang sangat cepat. Sehingga

memberikan kesempatan untuk dapat mendapatkan tingkat pengembalian dan resiko

yang tinggi. Sebaliknya, jika nilai volatilitas rendah, peluang dalam mengambil

17
tingkat pengembalian secara cepat akan kecil. Sehingga biasanya akan dilakukan

dalam jangka waktu yang panjang agar dapat memperoleh tingkat pengembalian yang

diinginkan. Hal tersebut dalam istilah keuangan biasa disebut “high risk high return”

(Warsito, 2020).

Ekananda (2016) menyatakan bahawa ada beberapa cara dalam mengukur

volatilitas, diantaranya metode simple variance, Exponentially Weighted moving

average (EWMA), dan Generalized/Autoregressive Conditional Heteroskedastic

(ARCH/GARCH). Masing-masing metode tersebut diuraikan berikut ini.

1. Simple variance

Simple variance merupakan salah satu metode pengukuran volatilitas yang paling

sederhana (menggunakan standar deviasi).

2. Exponentially Weighted moving average (EWMA)

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)

Generalized/Autoregressive Conditional Heteroskedastic (ARCH/GARCH)

merupakan salah satu alternatif pengukuran volatilitas melalui σ 2t (conditional

variance) dengan persamaan ekonometrika nonlinear dan memanfaatkan kondisi

adanya heteroskedastik.

18
II.5 Deret Waktu (Time Series)

Deret waktu (time series) merupakan serangkaian data pengamatan yang terjadi

berdasarkan indeks waktu secara beruntun dengan interval waktu tetap (Aswi dan

Sukarna, 2006). Metode time series adalah metode peramalan dengan menggunakan

analisis pola hubungan antara variabel yang akan diperkirakan dengan variabel waktu

atau analisis time series, diantaranya adalah metode Smoothing, metode Box-Jenkins

(ARIMA) dan metode Proyeksi Trend dengan regresi.

Anton (2006) menyatakan bahwa analisis time series dilakukan untuk

menemukan pola pertumbuhan atau perubahan masa lalu, yang dapat digunakan

untuk memprakirakan pola pada masa yang akan datang dan untuk kebutuhan

kegiatan bisnis dan keuangan. Analisis time series tidak memberi jawaban yang pasti

mengenai apa yang akan terjadi pada masa yang akan datang, tetapi analisis tersebut

cukup berarti dalam proses peramalan (forecasting) dan membantu mengurangi

kesalahan dalam peramalan tersebut.

Menurut Makridakis dan Wheelwrigt (1999) pola data time series dapat

dibedakan menjadi empat jenis, yaitu pola horizontal, pola musiman, pola siklis dan

pola trend. Keempat jenis pola data time series tersebut diuraikan berikut ini.

1. Pola horizontal

Pola horizontal terjadi apabila nilai dari data mengalami fluktuasi di daerah nilai

rata-rata konstan (nilai rata-ratanya stasioner). Salah satu contoh data yang

memiliki pola data horizontal yaitu suatu produk yang nilai penjualannya tidak

mengalami peningkatan atau penurunan dalam waktu tertentu.

19
2. Pola musiman

Pola musiman terjadi apabila suatu deret dari data dipengaruhi oleh faktor

musiman yang ditunjukkan oleh adanya pola yang teratur yang bersifat musiman.

Contoh data yang memiliki pola musiman yaitu data penjualan produk yang

dicatat secara tahunan, bulanan, atau harian.

3. Pola siklis

Pola siklis terjadi apabila pola data deret waktu mengalami fluktuasi ekonomi

jangka panjang berhubungan dengan siklus bisnis. Contoh data yang memiliki

pola siklis yaitu penjualan produk seperti mobil dan peralatan utama lainnya.

4. Pola trend

Pola trend terjadi apabila pola data mengalami kenaikan atau penurunan, pola

data seperti ini bervariasi tak [Link] data yang memiliki pola trend

yaitu data penjualan banyak perusahaan, produk bruto nasional (GNP) dan

berbagai indikator sektor ekonomi atau bisnis lainnya mengikuti suatu pola trend

selama perubahan sepanjang waktu.

II.6 ARIMA
Model Box-Jenkins atau Autoregressive Integrated Moving Average (ARIMA)

adalah salah satu model yang digunakan untuk memodelkan data deret waktu. Model

Box-Jenkins (ARIMA) terbagi menjadi dalam bentuk tiga kelompok, yaitu model

Autoregressive (AR), model Moving Average (MA), dan model campuran

(Brilliantya, 2022).

20
1. Model Autoregressive (AR)

Y t =∅ 0 +∅ 1 Y t −1 +∅ 2 Y t−2 +…+∅ p Y t− p +e t (2.2)

2. Model Moving Average (MA)

Y t =e t +θ1 e t−1 +θ2 et −2 +θq e t−q (2.3)

3. Model Campuran

1) Autoregressive Moving Average (ARMA)

Y t =∅ 1 Y t −1+∅ 2 Y t−2 +…+∅ p Y t −p + et −θ1 e t−1−θ2 e t−2−…−θ q e t −q (2.4)

2) Autoregressive Integrated Moving Average (ARIMA)

d
∅ 0 ( B ) ( 1−B ) Y t =δ +θq ( B ) et (2.5)

Model ARIMA secara umum dinotasikan dengan ARIMA (p,d,q). Fungsi

Autokorelasi (ACF) dan Fungsi Autokorelasi Parsial (PACF) merupakan alat utama

untuk mengidentifikasi model ARIMA. Dalam data runtun waktu selain memiliki

autokorelasi juga memiliki masalah heteroskedastisitas. Setelah mendapatkan model

ARIMA terbaik, maka langkah selanjutnya adalah melakukan uji heteroskedastisitas

menggunakan ARCH-LM Test. Jika model ARIMA memiliki heteroskedastisitas

maka pemodelan selanjutnya dapat dilanjutkan.

Hipotesis :

H 0: P-value > 0.05 (tidak terdapat ARCH Effect pada model residual return)

H 1: P-value < 0.05 (terdapat ARCH Effect pada model residual return)

Signifikan level : 𝛼 = 5%

21
 Data deret waktu yang mengandung masalah heteroskedastisitas dapat

dimodelkan dengan model ARCH/GARCH.

II.7 ARCH/GARCH

Model yang dikembangkan oleh Engle disebut Autoregressive Conditional

Heteroscedasticity model (ARCH). Persamaan varian variabel gangguan dalam

model ARCH adalah sebagai berikut (Adiningsih, 2018):

2 2
σ t =α 0+ α 1 σ t (2.6)

dimana:
2
σt = varian bersyarat

α 0 = komponen konstanta
2
α 1 σ t = variabel gangguan pada periode sebelumnya

Model (2.6) merupakan model ARCH (1) yang menjelaskan varian dari

variabel gangguan untuk satu periode yang lalu, untuk periode yang lebih panjang

dapat menggunakan ARCH (𝜌) yaitu sebagai berikut:

2 2 2
σ t =α 0+ α 1 σ t −1+ …+α p σ t −p (27)

dimana:
2
α p σ t −p = variabel gangguan pada periode-p

Hipotesis :

H 0: α p σ 2t −p = 0 (perubahan return pada saat ini tidak dipengaruhi oleh variabel

gangguan pada periode sebelumnya)

22
 H 1: α p σ 2t −p ≠ 0 (perubahan return pada saat ini dipengaruhi oleh variabel

gangguan pada periode sebelumnya)

Model ARCH yang telah dikembangkan oleh Robert Engle ini selanjutnya

disempurnakan oleh Tim Bollerslev (Widarjono, 2013). Model ini dikenal dengan

nama Generalized Autoregressive Conditional Heteroscedasticity (GARCH).

Bollerslev menjelaskan bahwa varian variabel gangguan tidak hanya tergantung dari

residual periode sebelumnya, tetapi juga dipengaruhi oleh varian variabel gangguan

periode sebelumnya. Persamaan varian residual GARCH dapat dinyatakan sebagai

berikut (Adiningsih, 2018):

2 2 2
σ t =α 0+ α 1 ε t −1+ λ1 σ t −1 (2.8)

dimana:
2
σt = varian bersyarat

α0 = komponen konstanta

2
α 1 ε t−1 = variabel gangguan periode sebelumnya

2
λ 1 σ t−1 = variabel residual periode sebelumnya

Model (2.8) merupakan model GARCH (1,1) karena varian residualnya hanya

dipengaruhi oleh periode sebelumnya dan varian residual periode sebelmnya. Secara

umum, model GARCH (p,q) dapat dinyatakan melalui persamaan sebagai berikut:
2 2 2 2 2
σ t =α 0+ α 1 ε t −1+ …+α p ε t −p + λ1 σ t−1 +…+ λ p σ t − p (2.9)

dimana:
2
α p ε t −p = variabel gangguan pada periode-p

23
 2
λ p σ t− p = variabel residual periode-q

Hipotesis :
2
H 0 : λ p σ t− p = 0 (perubahan return pada saat ini tidak dipengaruhi oleh variabel

residual pada periode sebelumnya)

2
H 1 : λ p σ t − p≠ 0 (perubahan return pada saat ini dipengaruhi oleh variabel

residual pada periode sebelumnya)

Dalam mengaplikasikan model GARCH dapat dilakukan beberapa langkah

yaitu identifikasi efek ARCH, estimasi model dan evaluasi model.

24
 BAB III
METODE PENELITIAN

III.1 Waktu dan Tempat Penelitian

Penelitian ini mulai dilaksanakan pada bulan April 2023 sampai selesai dan

dilakukan di Laboratorium Komputasi Matematika FMIPA UHO dengan mengacu

pada literatur data saham sektor perbankan yang terdaftar di Bursa Efek Indonesia

(BEI) melalui situs [Link] dan [Link].

III.2 Teknik Pengumpulan Data

Teknik yang digunakan peneliti dalam mengumpulkan data adalah dengan cara

metode dokumentasi dan metode kepustakaan.

1. Metode dokumentasi adalah dengan cara melihat dan melakukan pencatatan data

berupa harga saham pada sektor perbankan yang telah dipublikasikan untuk

dijadikan sebagai bahan acuan penelitian.

2. Metode kepustakaan adalah mempelajari, memahami, mencermati dan menelaah

hal-hal yang sudah ada dan yang belum ada dalam bentuk buku-buku literatur,

jurnal-jurnal serta karya ilmiah yang berkaitan dengan permasalahan penelitian.

III.3 Populasi dan Sampel

Populasi dalam penelitian ini adalah berupa saham sektor perbankan yakni ada

berjumlah sebanyak 32 perusahaan papan utama dan 15 perusahaan pengembangan

dengan total jumlah keseluruhan populasi adalah sebanyak 47 perusahan yang

terdaftar di Bursa Efek Indonesia (BEI) dapat dilihat pada Lampiran 1.

25
 Penelitian ini menggunakan metode purposive sampling yaitu pemilihan sampel

dengan menggunakan pertimbangan kriteria-kriteria tertentu dengan tujuan untuk

memperoleh sampel yang representatif. Dalam penelitian ini, didasarkan pada

kriteria-kriteria sebagai berikut:

1. Perusahaan perbankan tersebut terdaftar di BEI selama periode penelitian.

Perusahaan-perusahaan perbankan yang terdaftar di BEI merupakan perusahaan

yang sudah go public, jika perusahaan perbankan tidak go public akan dirasa sulit

dalam pengumpulan data harga saham perusahaan tersebut.

2. Perusahaan perbankan tersebut merupakan Bank Umum BUMN yang tergabung di

saham LQ45. Bank-bank BUMN merupakan bank yang terkemuka di Indonesia

dan memilki volume transaksi harga saham yang tinggi. Saham-saham yang

tergabung dalam saham LQ45 merupakan saham aktif dimana selalu terjadi

perubahan nilai harga saham tiap harinya.

Berdasarkan kriteria-kriteria di atas, maka diperoleh perusahaan perbankan

yang terpilih sebagai sampel dapat diliat pada Tabel 3.1.

Tabel 3.1 Perusahaan yang Memenuhi Kriteria Sampel

No. Kode Saham Nama Perusahaan

1. BMRI Bank Mandiri (Persero) Tbk.
2. BBNI Bank Negara Indonesia (Persero) Tbk.
3. BBRI Bank Rakyat Indonesia (Persero) Tbk.
Sumber: Data diolah, 2023

26
III.4 Metode dan Analisis data

Penelitian ini menggunakan metode kuantitatif yang bersifat deskriptif. Untuk

analisis dalam penelitian ini dilakukan dengan menggunakan variabel berupa harga

penutupan (closing price) harian saham bank Mandiri, BNI dan BRI yang di

transformasi menjadi dalam bentuk return.

Analisis data yang digunakan dalam penelitian ini diolah dengan menggunakan

Software Microsoft Exel 2007 dan Software R 4.3.0. Adapun langkah-langkah analisis

data dalam penelitian adalah sebagai berikut.

1. Menghitung return.

Nilai return dihitung dengan berdasarkan Pesamaan (3.1) berikut.

Pt
r t =ln =ln Pt −ln Pt −1 (3.1)
Pt−1

dengan:

rt = return saham pada waktu ke-t

Pt = harga penutupan saham pada waktu ke-t

ln = log return

pt −1 = harga penutupan saham pada waktu ke-t-1 (Tsay, 2013).

2. Melakukan analisis deskriptif data return

Analisis deskriptif dilakukan untuk menegaskan secara empiris ciri khas dari data

penelitian dengan mendeskripsikan nilai mean, median, maksimum, minimum

dan standar deviasi.

27
3. Pemeriksaan kestasioneran data return

Pemeriksaan kestasioneran data return dilakukan dengan mengamati plot data

return saham dan uji Augmented Dickey Fuller (ADF). Hipotesis uji yang

digunakan yaitu:

H 0 : β=0 (data tidak stasioner)

H 1 : β< 0 (data stasioner) (Tsay, 2013).

Statistik uji yang digunakan dituliskan pada Persamaan (3.2) berikut.

^β−1
t p= (3.2)
SE ( ^β)

dengan:

tp = statistik uji

β = parameter penduga 𝛽

SE( ^β ) = standar error penduga 𝛽.

Kriteria:

Keputusan yang digunakan adalah hipotesis H 0 ditolak jika |t p|> Z a atau p-value
2

¿ α (Tsay, 2013). Jika data return belum stasioner, maka dilakukan proses

differencing hingga diperoleh data yang stasioner.

4. Identifikasi model Box-Jenkins (ARIMA)

Untuk mengodentifikasi model Box-Jenkins dari suatu data time series dapat

dilakukan dengan melihat correlogram yang merupakan grafik yang

28
 menunjukkan nilai Autocorelation Function (ACF) dan Partial Autocorelation

Function (PACF) pada berbagai lag.

5. Uji Korelasi dan Efek ARCH

Model GARCH baik diterapkan apabila terdapat korelasi serta efek ARCH pada

return. Ada tidaknya autokorelasi dapat diketahui melalui uji Ljung-Box.

Hipotesis uji yang digunakan dirumuskan sebagai berikut:

H 0 : ρ1=ρ2 =…= ρl=0 (tidak terdapat korelasi)

H 1 : ∃ ρh ≠ 0; h=1 , 2, 3 , … , l (terdapat korelasi) (Tsay, 2013).

Statistik uji yang digunakan dituliskan pada Persamaan (3.3) berikut.

l 2
ρh (3.3)
Q ( l )=T (T +2) ∑
h=1 T −h

dengan:

Q(l) = banyaknya lag yang diuji

T = banyaknya observasi

T −h = banyaknya observasi dikurang banyaknya lag h

2
ρh = nilai autokorelasi pada lag h .

Kriteria keputusan yang digunakan adalah hipotesis H 0 ditolak jika Q ( l )> X 2a atau

jika nilai p-value ¿ α (Tsay, 2013).

Ada tidaknya efek ARCH dapat diketahui melalui uji ARCH-Lagrange

Multiplier (ARCH-LM). Hipotesis uji yang digunakan dirumuskan sebagai

berikut:

29
 H 0 :α 1=α 2=α 3=…=α m=0 (tidak terdapat efek ARCH)

H 1 : ∃α i ≠ 0 (terdapat efek ARCH) (Tsay, 2013).

Statistik uji yang digunakan dituliskan pada Persamaan (3.4) berikut.

(SSR0−SSR1 )/m (3.4)

F=
SSR1 /(T −2 m−1)
dengan:

F = statistik uji

T = banyaknya observasi

m = orde pada model ARCH

Nilai-nilai SSR0, ω , dan SS R1, secara terurut masing-masing dapat dihitung

dengan menggunakan Persamaan (3.5), Persamaan (3.6) dan Persamaan (3.7)

berikut.
T

∑ ( α 2t −ω)
2
SSR0=
t =m+1 (3.5)

T
1
ω= ∑ α 2t (3.6)
T t =1
T
SSR1= ∑ e^ 2t (3.7)
t =m+1
dengan:

SSR0 = sum square residual pada ( α 2t −ω ) 2

SSR1 = sum square residual pada e^ 2t

2
αt = varians kondisional pada waktu t

ω = rata-rata dari α 2t

2
e^ t = residual kuadrat terkecil pada waktu t.

30
 Kriteria:

Hipotesis H 0 ditolak jika nilai 𝐹> X m(𝛼) atau p-value ¿ α (Tsay, 2013).
2

Jika tidak terdapat korelasi dan efek ARCH, maka proses berhenti atau tidak

dimodelkan dengan model GARCH. Sedangkan jika terdapat korelasi dan efek

ARCH, maka proses dilanjutkan ke langkah berikutnya.

6. Estimasi parameter model GARCH

Estimasi parameter model GARCH dilakukan dengan menggunakan data dari

return saham dan diolah dalam software R. Model GARCH yang dipilih adalah

model yang signifikan atau memiliki nilai p-value ¿ α berdasarkan estimasi

parameter model GARCH dan memiliki nilai AIC terkecil. AIC dapat dihitung

berdasarkan rumus pada Persamaan (3.8).

−2 θ
AIC= log ( likelihood )+ 2 (3.8)
T T

dengan:

AIC = kriteria informasi Akaike

T = banyaknya observasi

θ = jumlah estimasi parameter (Tsay, 2013).

7. Volatilitas

Jumlah koefisien suatu estimasi (α p + β q ) menunjukkan tingkat dari volatilitas

dimana (α p + β q )< 1 menunjukkan volatilitas rendah, (α p + β q )=1 menunjukkan

volatilitas tinggi dan (α p + β q )> 1 menunjukkan volatilitas yang ekstrim

(Mutiarasari dkk.,2022).

31
III.5 Skema Penelitian

Pengumpulan Data Saham

Menghitung Return

Analisis Deskriptif

Uji Stasioneritas

Stasioner Belum Stasioner

Identifikasi Model
Box-Jenkisn (ARIMA)
Differencing

Uji Korelasi &

ARCH-LM

Heteroskedastisitas Homokedastisitas

Estimasi Model GARCH Tidak dilakukan Estimasi

Volatilitas

Interpretasi dan Kesimpulan

Selesai

Gambar 3.1 Skema Penelitian

32
 BAB IV
HASIL SEMENTARA

Data yang digunakan dalam penelitian ini merupakan data sekunder yakni

berupa data harga penutupan (closing price) harian saham sektor perbankan meliputi

(Bank Mandiri, BNI dan BRI) yang diperoleh melalui situs resmi dari Bursa Efek

Indonesia (BEI) yaitu [Link] mulai dari periode 1 April 2022

sampai dengan 31 Maret 2023. Dari data saham yang telah diambil dan dikumpulkan

diperoleh observasi data sebanyak 247 untuk masing-masing sahamnya dapat dilihat

pada Tabel 4.1, secara lengkapnya disajikan pada Lampiran 2.

Tabel 4.1 Data Harga Penutupan Harian Saham Bank Mandiri, BNI dan BRI

Bank Mandiri BNI BRI

Data Saham
(A) (B) (C)
- 3.950,00 8.250,00 4.660,00
Data Ke-1 3.937,50 8.200,00 4.730,00
Data Ke-2 3.912,50 8.425,00 4.700,00
Data Ke-4 3.837,50 8.150,00 4.600,00
Data Ke-5 3.850,00 8.300,00 4.630,00
Data Ke-6 3.850,00 8.425,00 4.610,00
Data Ke-7 3.837,50 8.400,00 4.570,00
Data Ke-8 3.850,00 8.425,00 4.610,00
Data Ke-9 3.862,50 8.450,00 4.610,00
Data Ke-10 3.837,50 8.400,00 4.540,00
… … … …
Data Ke-247 5.162,50 9.350,00 4.730,00
Sumber: Data diolah, 2023

33
IV.1 Menghitung Return Saham

Langkah pertama yang perlu dilakukan adalah hitung atau transformasikan data

harga penutupan (closing price) harian saham yang ada menjadi dalam bentuk return.

Berdasarkan Tabel 4.1, dimisalkan bahwa r t A , r t B , r t C secara terurut masing-masing

merupakan return ke-t dari saham Bank Mandiri, BNI dan BRI. Data return dihitung

dengan menggunakan Persamaan (3.1), maka untuk perhitungan nilai return data

pertama yang dapat diperoleh dari masing-masing sahamnya, yaitu:

Pt
r t =ln
Pt−1

A1 3.937 , 50
r 1 A=ln =ln =−0.003169575 ≈−0,0032
At −1 3.950 , 00

B1 8.200 ,00
r 1 B=ln =ln =−0.00607905 ≈−0,0061
Bt −1 8.250 ,00

C1 4.730 , 00
r 1 C=ln =ln =0.014909754 ≈ 0,0149
C t −1 4.660 , 00

Dengan cara yang sama, maka dapat dihitung pula nilai return yang berikutnya

untuk data t=2 , 3 , 4 , … , 247 dari masing-masing sahamnya. Hasil perhitungan return

ini disajikan secara lengkap pada Lampiran 2.

IV.2 Analisis Deskriptif Data Return

Analisis deskriptif data return saham digunakan untuk menganalisis

karakteristik return pada masing-masing saham yang ada berupa uji statistik

deskriptif. Statistik deskriptif tersebut digunakan untuk mendeskripsikan suatu data

yang dilihat dari rata-rata (mean), median, standar deviasi, nilai minimum, dan nilai

34
maksimum (Ghozali, 2018). Pengujian ini dilakukan untuk mempermudah

memahami variabel-variabel yang digunakan dalam penelitian. Adapun statistik

deskriptif return saham Bank Mandiri, BNI dan BRI dapat dilihat pada Tabel 4.2.

Tabel 4.2 Statistik Deskriptif Return Saham Bank Mandiri, BNI dan BRI

Kode Saham Mean Median Maks. Min. SD

BMRI 0,00108 0 0,68099 -0,68341 0,06441
BBNI 0,00051 0 0,06621 -0,06777 0,01731
BBRI 0,00006 0 0,05946 -0,07237 0,01587
Sumber: Data diolah, 2023

Berdasarkan Tabel 4.2, diperoleh bahwa saham BMRI memiliki nilai minimum

paling rendah dan maksimum paling tinggi dibandingkan saham lainnya. Nilai rata-

rata (mean) dari masing-masing saham bernilai positif yang menunjukkan adanya

peluang mendapatkan keuntungan. Nilai standar deviasi return saham BMRI, BBNI

dan BBRI tidak sama dengan nol yang menunjukkan bahwa setiap data pada masing-

masing saham tidak sama atau terdapat kecenderungan setiap data berbeda

(heterogen).

IV.3 Pemeriksaan Kestasioneran Data Return

Pemeriksaan kestasioneran data return saham bank Mandiri, bank BNI dan

bank BRI dapat diamati melalui data visualisasi plot pola return. Adapun secara

visual melalui time series plot pola data dari masing-masing sahamnya berturut-turut

dapat dilihat pada Gambar 4.1.

35
 (a) (b)

(c) (d)

(e) (f)
Gambar 4.1 Plot: (a) Harga Penutupan Saham BMRI; (b) Pola Return Saham BMRI;
(c) Harga Penutupan Saham BBNI; (d) Pola Return Saham BBNI; (e) Harga
Penutupan Saham BBRI; dan (f) Pola Return Saham BBRI .

Berdasarkan Gambar 4.1, dapat diamati bahwa dari plot pola data saham Bank

Mandiri, BNI dan BRI mengalami fluktuasi dari waktu ke waktu yang menunjukkan

adanya volatility clustering dan diperkirakan data return dari masing-masing

sahamnya telah stasioner dalam mean karena masing-masing plot pola return

bergerak pada kisaran nilai rata-rata (mean).

36
 Untuk memastikan bahwa data saham tersebut di atas telah benar-benar

stasioner maka akan dilakukan uji Augmented Dickey-Fuller (ADF). Dengan

menggunakan software R berdasarkan hipotesis uji yang digunakan pada Persamaan

(3.1), maka diperoleh hasil uji Augmented Dickey-Fuller (ADF) yang dapat dilihat

pada Tabel 4.3.

Hipotesis:

H 0 : p−value>α (data tidak stasioner)

H 1 : p−value< α (data stasioner)

Taraf signifikan α =5 %

Tabel 4.3 Hasil Uji ADF Saham Bank Mandiri, BNI dan BRI

Kode Saham p-value Keterangan

BMRI 0,01 Stasioner

BBNI 0,01 Stasioner
BBRI 0,01 Stasioner
Sumber: Data diolah, 2023

Berdasarkan Tabel 4.3, diperoleh bahwa data return dari masing-masing

sahamnya mempunyai nilai p-value ¿ α (0 , 05) yaitu sebesar 0,01 sehingga dari

hipotesis uji yang digunakan diperoleh tolak H 0 hal tersebut menunjukkan bahwa

data sudah stasioner.

IV.4 Identifikasi Model Box-Jenkins (ARIMA)

Untuk melakukan tahapan identifikasi model Box-Jenkins (ARIMA) dari suatu

data time series dapat dilakukan dengan melihat correlogram yang merupakan grafik

37
plot yang menunjukkan nilai Autocorelation Function (ACF) dan Partial

Autocorelation Function (PACF) pada berbagai lag dapat dilihat pada Gambar 4.2.

(a) (b)

(c) (d)

(e) (f)
Gambar 4.2 Plot: (a) ACF Return Saham BMRI; (b) PACF Return Saham BMRI; (c)
ACF Return Saham BBNI; (d) PACF Return Saham BBNI; (e) ACF Return Saham
BBRI; (f) PACF Return Saham BBRI

Bedasarkan Gambar 4.2, terlihat bahwa ACF Return BMRI garis cuts off

berada pada lag-0 dan lag-1 sedangkan PACFnya berada pada lag-1, lag-2, dan lag-3.

38
ACF Return BBNI garis cuts off berada pada lag-0 sedangkan PACFnya tidak

terdapat garis cuts off yang terlihat di tiap lag-nya. ACF Return BBRI garis cuts off

berada pada lag-0 dan lag-1 sedangkan PACFnya berada pada lag-1. Berdasarkan plot

ACF dan PACF dari masing-masing saham yang diamati mengindikasikan

kemungkinan model ARIMA (p,d,q) yang diperoleh adalah ARIMA [(0,1),0,(1,2,3)

atau (1,2,3),0,(0,1)] untuk saham BMRI, ARIMA [(0),0,(0)] untuk saham BBNI dan

ARIMA [(0,1),0,(1) atau (1),0,(0,1)] untuk saham BBRI. Berdasarkan hasil

identifikasi menggunakan auto arima pada software R diperoleh model Box-Jenkins

(ARIMA) terbaik dari masing-masing sahamnya dapat dilihat pada Tabel 4.4.

Tabel 4.4 Hasil Identifikasi Model Box-Jenkins (ARIMA) Terbaik

2
Kode Saham ARIMA (p,d,q) σ log likelihood AIC
BMRI ARIMA (0,0,2) 0,002549 388,19 -768,38
BBNI ARIMA (0,0,0) 0,000299 651,75 -1.301.5
BBRI ARIMA (1,0,0) 0,0002396 679,54 -1.355,09
Sumber: Data diolah, 2023

IV.5 Uji Korelasi dan Efek ARCH

Model GARCH baik diterapkan apabila terdapat korelasi serta efek ARCH

pada return. Ada dan tidaknya autokorelasi pada data return saham dapat diketahui

melalui uji Ljung-Box menggunakan hipotesis uji pada Persamaan (3.3) dan ada

tidaknya efek ARCH pada data return saham dapat diketahui melalui uji ARCH-

Lagrange Multiplier (ARCH-LM) menggunakan hipotesis uji pada Persamaan (3.4).

39
 Hipotesis:

H 0 : p−value>α (tidak terdapat korelasi dan efek ARCH)

H 1 : p−value< α (terdapat korelasi dan efek ARCH)

Taraf signifikan α =5 %

Tabel 4.5 Hasil Uji Korelasi dan Efek ARCH

Korelasi Efek ARCH
Kode Saham 2 2
χ p-value χ p-value
BMRI 52.734 1.327e-09 137.89 2.2e-16
BBNI 5.0727 0.5345 18.481 0.1018
BBRI 19.88 0.002909 40.169 6.742e-05
Sumber: Data diolah, 2023

Berdasarkan Tabel 4.5, diperoleh bahwa adanya korelasi dan efek ARCH hanya

pada saham BMRI dan saham BBRI sedangkan pada saham BBNI tidak sebab

mempunyai nilai p-value ¿ α (0 , 05) yang mengindikasikan bahwa saham BBNI tidak

dapat dilanjutkan pada proses model tahapan selanjutnya dikarenakan tidak adanya

korelasi dan efek ARCH (bersifat homoskedastisitas).

IV.6 Estimasi Model GARCH

Keberadaan efek ARCH (heteroskedastisitas) pada suatu data time series dapat

di atasi dengan melakukan pemodelan GARCH. Pemilihan model GARCH terbaik

dilakukan dengan melihat nilai AIC terkecil. Pada proses tahapan sebelumnya yang

mengandung efek ARCH hanya pada saham BMRI dan saham BBRI, sehingga

estimasi model GARCH hanya dilakukan pada dua saham tersebut dapat dilihat pada

Tabel 4.6.

40
Tabel 4.6 Hasil Estimasi Model GARCH
Kode GARCH
Parameter Estimasi Pr(>|t|) AIC
Saham (p,q)
α0 3.341e-05 0.1855
GARCH α1 1.000e+00 2.43e-08 *** -4,382385
(1,1)
β1 5.168e-01 1.58e-12 ***
α0 3.383e-05 0.1768
GARCH α1 1.000e+00 4.38e-09 ***
-4,361968
(1,2) β1 5.163e-01 NaN
β2 1.000e-08 NaN
α0 5.449e-06 0.715266
BMRI
GARCH α1 3.639e-01 0.014549 *
-4,400708
(2,1) α2 1.000e+00 0.000852 ***
β1 4.620e-01 5.61e-11 ***
α0 5.449e-06 0.9134
α1 3.639e-01 0.4057
GARCH α2 1.000e+00 0.0625 . -4,392611
(2,2)
β1 4.620e-01 0.1697
β2 1.000e-08 1.0000
α0 1.675e-05 0.267669
GARCH
α1 4.052e-02 0.148398 -5,498831
(1,1)
β1 8.867e-01 2e-16 ***
α0 1.690e-05 0.21485
GARCH α1 9.251e-02 0.02230 *
-5.522416
(1,2) β1 1.000e-08 NaN
β2 8.313e-01 2e-16 ***
α0 3.056e-05 0.141
BBRI
GARCH α1 1.000e-08 NaN
-5.505571
(2,1) α2 8.049e-02 NaN
β1 7.896e-01 5.9e-11 ***
α0 3.056e-05 0.142
α1 1.000e-08 NaN
GARCH
α2 8.049e-02 NaN -5.497474
(2,2)
β1 7.896e-01 5.79e-08 ***
β2 1.000e-08 1.000
Sumber: Data diolah, 2023

41
 BerdasarkanTabel 4.6, diperoleh bahwa model terbaik dengan nilai AIC terkecil

adalah terpilih model GARCH (2,1) untuk saham BMRI dan model GARCH (1,2)

untuk saham BBRI dengan masing-masing persamaan modelnya dapat ditulis sebagai

berikut.

- Saham BMRI:
2
σ t A=(5,449 x 10¿ ¿−6)+ ¿ ¿

- Saham BBRI:

σ 2t C=( 1,690 x 10−5 ) + ( 9,251 x 10−2 ) ε 2t −1 + ( 1 x 10−8 ) σ 2t −1+(8.313 x 10−1)σ 2t −2

Berdasarkan model persamaan di atas menunjukkan bahwa return saham

BMRI saat ini dipengaruhi oleh besaran guncangan yang terjadi pada dua periode

sebelumnya dan volatilitas pada satu periode sebelumnya. Sedangkan return saham

BBRI saat ini dipengaruhi oleh besaran guncangan yang terjadi pada satu periode

sebelumnya dan volatilitas pada dua periode sebelumnya.

IV.7 Volatilitas

Secara sederhana volatilitas berdasarkan model GARCH (p,q) mengasumsikan

bahwa variasi data fluktuasi dipengaruhi oleh sejumlah p data fluktuasi sebelumnya

dan sejumlah q data volatilitas sebelumnya. Volatilitas mencerminkan tingkat risiko

dari suatu aset investasi. Tingkat volatilitas yang tinggi menunjukkan risiko yang

tinggi dan juga tingkat return yang tinggi. Tingkat volatilitas dapat diukur dengan

melihat nilai dari koefisien estimasi residual modelnya (α p + β q ), yaitu:

42
 - Volatilitas Saham BMRI ¿ ( 3,639 x 10−1 ) + ( 1 x 101 ) +(4,620 x 10−1)

¿ 1,8259

- Volatilitas Saham BBRI ¿ ( 9,251 x 10−2 ) + ( 1 x 10−8 )+(8,313 x 10−1)

¿ 0,92381001

Berdasarkan persamaan model GARCH (p,q) yang telah diperoleh bahwa

volatilitas saham BMRI menunjukkan tingkat volatilitas yang sangat tinggi (ekstrim)

yaitu sebesar 1,8259>1 yang mengindikasikan tingkat risiko dan tingkat returnnya

juga sangat tinggi. Sedangkan volatilitas saham BBRI menunjukkan tingkat

volatilitas yang rendah yaitu sebesar 0,92381001<1 yang mengindikasikan tingkat

risiko dan tingkat returnnya juga rendah.

Dari model volatilitas yang telah diperoleh pada tahap proses sebelumnya,

maka volatilitas saham BMRI dan BBRI dapat diprediksi. Hasil prediksi volatilitas

saham BMRI dan BBRI untuk periode 7 hari kedepan dapat dilihat pada Tabel 4.7

Tabel 4.7 Prediksi Volatilitas Saham BMRI dan BBRI Periode 7 Hari Kedepan

Kode Hari
Mean Forecast Mean Error Standard Deviation
Saham Ke-n
1 0.239032323 0.8487987 0.8487987
2 -0.206151082 1.0248325 1.0243704
3 0.002042749 1.2873653 1.2598349
BMRI 4 0.002042749 1.5692420 1.5363290
5 0.002042749 1.9212714 1.8806202
6 0.002042749 2.3476407 2.2981618
7 0.002042749 2.8711593 2.8105406
1 0.001425987 0.01390330 0.01390330
2 0.000258148 0.01468553 0.01440114
BBRI
3 0.000499734 0.01435302 0.01402784
4 0.000449758 0.01470811 0.01440530

43
 5 0.000460096 0.01445477 0.01413092
6 0.000457958 0.01472488 0.01441808
7 0.000458400 0.01453990 0.01421725
Sumber: Data diolah, 2023

Berdasarkan Tabel 4.7, dapat dilihat dari standar deviasinya diperoleh bahwa

pada saham BMRI mengalami peningkatan dari hari ke harinya sedangkan pada

saham BBRI mengalami perubahan naik turun dari hari ke harinya.

44
 BAB V
PENUTUP

V.1 Kesimpulan

Berdasarkan uraian hasil penelitian dan pembahasan yang telah dijelaskan pada

bab sebelumnya dapat disimpulkan bahwa:

1. Dari analisis data saham sektor perbankan (bank Mandiri, BNI dan BNI)

periode 1 April 2022 - 31 Maret 2023 di dapatkan adanya volatilitas hanya pada

saham BMRI dan saham BBRI. Dengan menggunakan metode GARCH,

diperoleh model terbaik untuk memodelkan volatilitasnya adalah GARCH (2,1)

untuk saham BMRI dan GARCH (1,2) untuk saham BBRI dengan ukuran

volatilitasnya diperoleh sebesar 1,8259 untuk saham BMRI dan sebesar

0,92381001 untuk saham BBRI yang menunjukkan bahwa saham BMRI

memiliki tingkat volatilitas yang lebih tinggi dibanding saham BBRI yang

mengindikasikan tingkat risiko dan tingkat returnnya juga sangat tinggi.

V.2 Saran
Berdasarkan hasil penelitian yang telah di uraikan, maka peneliti memberikan

beberapa saran sebagai berikut:

1. Beberapa hal yang perlu diperhatikan saat akan mengambil keputusan

berinvestasi, yaitu dengan memahami dan memperhatikan risiko yang akan di

hadapi. Oleh karena itu, perlu adanya pertimbangan yang matang sebelum

berinvestasi agar tidak mengalami kerugian yang tinggi.

45
2. Pada penelitian ini, peneliti hanya memfokuskan pada tiga perusahaan saham

sektor perbankan sebagai kriteria pengambilan sampel guna memodelkan

bentuk volatilitasnya dan tidak melakukan peramalan secara penuh. Untuk

penelitian selanjutnya di harapkan dapat menambah jumlah perusahaan yang

akan di teliti kemudian juga dapat meramalkannya sehingga bisa menghasilkan

penelitian yang lebih akurat.

46
 DAFTAR PUSTAKA

Adiningsih, S. U, 2018. Aktualisasi model garch dan peramalan volatilitas retrun

saham asia (Bachelor's thesis, Fakultas Ekonomi dan Bisnis UIN Jakarta).
Amelia, N. 2017. Pemodelan volatilitas menggunakan metode egarch pada jakarta
islamic index. Jurnal Humaniora Teknologi, 3(1).
Anton, A, 2006. Analisis Model Volatilitas Return Saham (Studi Kasus pada Saham
LQ 45 di Bursa Efek Jakarta) (Disertasi Doktoral, program Pascasarjana
Universitas Diponegoro).
Ariefianto, M. D, 2012. Ekonometrika: Esensi dan aplikasi dengan menggunakan
EViews.
Bursa Efek Indonesia (BEI). [Link] (diakses pada
April 2023).
Bursa Efek Indonesia (BEI). [Link] (diakses pada April
2023).
Brilliantya, S. N., Nisa, K., Saidi, S., & Setiawan, E. 2022. Model EGARCH dan
TGARCH untuk Mengukur Volatilitas Asimetris Return Saham. Jurnal Siger
Matematika, 3(2), 45-52.
Carolina, R. A., Mulatsih, S., dan Anggraeni, L, 2016. Analisis volatilitas harga dan
integrasi pasar kedelai Indonesia dengan pasar kedelai dunia. Jurnal Agro
Ekonomi, 34(1), 47-66.
Ekananda, M, 2016. Analisis Ekonometrika Time [Link] Wacana Media.
Ghozali, M, 2018. Konsep Pengelolaan Keuangan Islam Menurut Pemikiran Abu
Ubaid. Jurnal Ekonomi dan Bisnis Islam, 4(1), 64-77.
Gujarati, D. N. 2009. Basic econometrics (5th ed). New York:The McGraw-Hill
Companies.
Hartati, dan Saluza, I, 2017. Aplikasi GARCH dalam Mengatasi Volatilitas Pada
Data Keuangan. Jurnal Matematika Vol, 7(2), 107-118.

47
Juliarini, N. K., Sumarjaya, I. W., & Sari, K, 2021. Peramalan Volatilitas dan
Estimasi Value at Risk (VaR) Saham Blue Chip Pada Sektor Perbankan.
Malayu S.P.H, 2022. Dasar-Dasar Perbankan, Jakarta: BUMI AKSARA.
Makridakis, M. Wheelwright, 1999. Metode dan Aplikasi Peramalan Edisi Kedua.
Diterjemahkan oleh Suminto, H. Jakarta: Binarupa Aksara.
Mulyana, M., Hidayat, L., dan Puspitasari, R, 2019. Mengukur Pengetahuan Investasi
Para Mahasiswa Untuk Pengembangan Galeri Investasi Perguruan
Tinggi. JAS-PT (Jurnal Analisis Sistem Pendidikan Tinggi Indonesia), 3(1),
31-52.
Mutia, E., dan Martaseli, E, 2018. Pengaruh Price Earning Ratio (PER) Terhadap
Return Saham Pada Perusahaan Manufaktur Yang Terdaftar Di Bursa Efek
Indonesia (BEI) Periode 2010-2017. Jurnal Ilmiah Ilmu Ekonomi (Jurnal
Akuntansi, Pajak dan Manajemen), 7(13), 78-91.
Mutiarasari, N. R., Sumarsih, E., Helbawanti, O., & Ramadhan, T. 2022. Analisis
Volatilitas Saham Perusahaan Pertanian dan Non Pertanian. Jurnal Ilmiah
Mahasiswa Agroinfo Galuh, 9(2), 456-470.
Nastiti, K. L. A., dan Suharsono, A, 2012. Analisis Volatilitas Saham Perusahaan go
public dengan metode ARCH-GARCH. Jurnal Sains dan Seni ITS, 1(1), D259-
D264.
Nugrahapsari, R. A., dan Arsanti, I. W, 2018. Analisis volatilitas harga cabai keriting
di Indonesia dengan pendekatan ARCH GARCH.
Puspopranoto, S, 2004. Keuangan Perbankan Dan Pasar Keuangan Konsep. Teori
Dan Realita, Pustaka LP3ES, Jakarta.
Putri, M. D., dan Aghsilni, 2019. Estimasi Model Terbaik Untuk Peramalan Harga
Saham PT. Polycem Indonesia Tbk. Dengan ARIMA. MAp (Mathematics and
Applications), 1, 1–12.
Saria, L. K., Achsanib, N. A., dan Sartonoc, B, 2017. Pemodelan Volatilitas Return
Saham: Studi Kasus Pasar Saham Asia Modelling Volatility of Return Stock

48
 Index: Evidence from Asian Countries. Jurnal Ekonomi Dan Pembangunan
Indonesia, 18(1), 35-52.
Sova, M., 2015. Pengaruh Ratio Leverage Terhadap Volatilitas Saham Pada Industri
Barang Konsumsi di Bursa Efek Indonesia Tahun 2004-2008. E-Journal
Widya Ekonomika, 1(1), 36782.
Tsay, R. S, 2013. Multivariate time series analysis: with R and financial applications.
John Wiley & Sons.
Tyas, M. D. P., Di Asih, I. M., dan Rahmawati, R, 2019. Perhitungan Value At Risk
Dengan Pendekatan Threshold Autoregressive Conditional
Heteroscedasticity-Generalized Extreme Value. Media Statistika, 12(1),73-85.
Utami, A. R., dan Purwohandoko, P, 2021. Pengaruh Kebijakan Dividen, Leverage,
Earning Volatility, dan Volume Perdagangan terhadap Volatilitas Harga
Saham pada Perusahaan Sektor Finance yang Terdaftar di BEI Tahun 2014-
2018. Jurnal Ilmu Manajemen, 9(1), 68-81.
Warsito, O. L. D, 2020. Analisis Volatilitas Cryptocurrency, Emas, Dollar, Dan
Indeks Harga Saham (Ihsg). International Journal of Social Science and
Business, 4(1), 40-46.
Widarjono, A. 2013. Ekonometrika: Pengantar dan Aplikasinya, Edisi Keempat (4th
ed.). UPP STIM YKPN.

49
 LAMPIRAN
Lampiran 1. Data Perusahaan Sektor Perbankan yang terdaftar di Bursa Efek
Indonesia (BEI)

No. Kode Saham Nama Perusahaan

1. AGRO Bank Raya Indonesia Tbk.
2. BBCA Bank Central Asia Tbk.
3. BBKP Bank KB Bukopin Tbk.
4. BBMD Bank Mestika Dharma Tbk.
5. BBNI Bank Negara Indonesia (Persero)Tbk.
6. BBRI Bank Rakyat Indonesia (Persero)Tbk.
7. BBTN Bank Tabungan Negara (Persero)Tbk.
8. BBYB Bank Neo Commerce Tbk.
9. BDMN Bank Danamon Indonesia Tbk.
10. BINA Bank Ina Perdana Tbk.
11. BJBR Bank Pembangunan Daerah Jawa B
12. BJTM Bank Pembangunan Daerah Jawa T
13. BMRI Bank Mandiri (Persero) Tbk.
14. BNBA Bank Bumi Arta Tbk.
15. BNGA Bank CIMB Niaga Tbk.
16. BNII Bank Maybank Indonesia Tbk.
17. BNLI Bank Permata Tbk.
18. BSIM Bank Sinarmas Tbk.
19. BTPN Bank BTPN Tbk.
20. BVIC Bank Victoria International Tb
21. DNAR Bank Oke Indonesia Tbk.
22. INPC Bank Artha Graha Internasional
23. MAYA Bank Mayapada Internasional Tb
24. MCOR Bank China Construction Bank I
25. MEGA Bank Mega Tbk.
26. NISP Bank OCBC NISP Tbk.
27. NOBU Bank Nationalnobu Tbk.
28. PNBN Bank Pan Indonesia Tbk
29. PNBS Bank Panin Dubai Syariah Tbk.
30. SDRA Bank Woori Saudara Indonesia 1

50
 31. BRIS Bank Syariah Indonesia Tbk.
32. BTPS Bank BTPN Syariah Tbk.
33. AGRS Bank IBK Indonesia Tbk.
34. ARTO Bank Jago Tbk.
35. BABP Bank MNC Internasional Tbk.
36. BACA Bank Capital Indonesia Tbk.
37. BBHI Allo Bank Indonesia Tbk.
38. BCIC Bank JTrust Indonesia Tbk.
39. BEKS Bank Pembangunan Daerah Banten
40. BGTG Bank Ganesha Tbk.
41. BKSW Bank QNB Indonesia Tbk.
42. BMAS Bank Maspion Indonesia Tbk.
43. BSWD Bank Of India Indonesia Tbk.
44. AMAR Bank Amar Indonesia Tbk.
45. BBSI Krom Bank Indonesia Tbk.
46. BANK Bank Aladin Syariah Tbk.
47. MASB Bank Multiarta Sentosa Tbk.
Jumlah 47
Sumber data: [Link]

Lampiran 2. Data Penelitian Saham Sektor Perbankan

Return-Bank
No. Date Close Close Return-BNI Close Return-BRI
Mandiri
- 3/31/2022 3950 - 8250 - 4660 -
1 4/1/2022 3937.5 -0.003169575 8200 -0.00607905 4730 0.014909754
2 4/4/2022 3912.5 -0.006369448 8425 0.02706932 4700 -0.006362694
3 4/5/2022 3912.5 0 8375 -0.0059524 4700 0
4 4/6/2022 3837.5 -0.019355443 8150 -0.02723315 4600 -0.021506205
5 4/7/2022 3850 0.003252035 8300 0.01823759 4630 0.006500565
6 4/8/2022 3850 0 8425 0.01494796 4610 -0.004329011
7 4/11/2022 3837.5 -0.003252035 8400 -0.00297177 4570 -0.008714652
8 4/12/2022 3850 0.003252035 8425 0.00297177 4610 0.008714652
9 4/13/2022 3862.5 0.003241494 8450 0.00296297 4610 0
10 4/14/2022 3837.5 -0.006493529 8400 -0.00593474 4540 -0.015300845
11 4/18/2022 3812.5 -0.006535971 8425 0.00297177 4550 0.002200221
12 4/19/2022 3787.5 -0.006578971 8400 -0.00297177 4570 0.004385972

51
13 4/20/2022 3925 0.03566018 8975 0.06621123 4850 0.0594655
14 4/21/2022 4150 0.055741983 9375 0.04360364 4800 -0.010362787
15 4/22/2022 4137.5 -0.003016594 9350 -0.00267023 4750 -0.0104713
16 4/25/2022 4112.5 -0.006060625 9500 0.01591546 4840 0.018770103
17 4/26/2022 4175 0.015083242 9600 0.0104713 4940 0.02045061
18 4/27/2022 4112.5 -0.015083242 9450 -0.01574836 4850 -0.018386626
19 4/28/2022 4475 0.084475236 9225 -0.02409755 4870 0.004115232
20 5/9/2022 4162.5 -0.072390496 8825 -0.04432859 4530 -0.072371998
21 5/10/2022 4050 -0.027398974 8900 0.00846267 4530 0
22 5/11/2022 4000 -0.01242252 8775 -0.01414451 4490 -0.008869238
23 5/12/2022 3937.5 -0.015748357 8200 -0.06777262 4320 -0.038597299
24 5/13/2022 3900 -0.009569451 8250 0.00607905 4250 -0.016336419
25 5/17/2022 3925 0.006389798 8450 0.02395324 4450 0.045985113
26 5/18/2022 3950 0.006349228 8750 0.03488726 4450 0
27 5/19/2022 3950 0 8675 -0.00860838 4440 -0.00224972
28 5/20/2022 4000 0.012578782 8775 0.01146144 4430 -0.002254792
29 5/23/2022 3937.5 -0.015748357 8850 0.00851069 4330 -0.022832042
30 5/24/2022 3962.5 0.006329135 9075 0.02510592 4460 0.029581224
31 5/25/2022 3925 -0.009508788 8925 -0.01666705 4350 -0.024972921
32 5/27/2022 4050 0.03135053 9200 0.03034716 4540 0.042751167
33 5/30/2022 4100 0.012270093 9200 0 4430 -0.024527428
34 5/31/2022 4250 0.035932009 9175 -0.00272109 4630 0.044157284
35 6/2/2022 4100 -0.035932009 8850 -0.03606494 4480 -0.032933822
36 6/3/2022 4100 0 8950 0.01123607 4520 0.008888947
37 6/6/2022 4075 -0.006116227 8900 -0.00560226 4430 -0.02011241
38 6/7/2022 4150 0.018237588 8900 0 4400 -0.006795043
39 6/8/2022 4200 0.011976191 9000 0.0111733 4470 0.015783868
40 6/9/2022 4212.5 0.00297177 8675 -0.03677925 4490 0.004464293
41 6/10/2022 4087.5 -0.030122759 8300 -0.04418981 4400 -0.020248161
42 6/13/2022 4050 -0.009216655 8250 -0.00604231 4340 -0.013730193
43 6/14/2022 4100 0.012270093 8275 0.00302572 4360 0.004597709
44 6/15/2022 4150 0.012121361 8275 0 4450 0.020432039
45 6/16/2022 4187.5 0.008995563 8250 -0.00302572 4430 -0.004504512
46 6/17/2022 4037.5 -0.036478209 8175 -0.00913248 4370 -0.013636575
47 6/20/2022 4125 0.021440331 8125 -0.00613499 4400 0.006841532
48 6/21/2022 4125 0 8450 0.03922071 4380 -0.004555817
49 6/22/2022 4075 -0.012195273 8150 -0.03614851 4320 -0.013793322
50 6/23/2022 4075 0 8150 0 4310 -0.002317498
51 6/24/2022 4150 0.018237588 8150 0 4340 0.006936444

52
52 6/27/2022 4112.5 -0.009077218 8050 -0.01234584 4280 -0.013921339
53 6/28/2022 4062.5 -0.012232568 8075 0.00310078 4300 0.004662013
54 6/29/2022 3975 -0.0217738 8025 -0.0062112 4180 -0.028303776
55 6/30/2022 3962.5 -0.003149609 7850 -0.02204814 4150 -0.007202912
56 7/1/2022 3800 -0.041874072 7850 0 4140 -0.002412546
57 7/4/2022 3700 -0.026668247 7650 -0.02580788 4040 -0.024451096
58 7/5/2022 3825 0.033225648 7750 0.0129872 4090 0.012300278
59 7/6/2022 3762.5 -0.016474837 7650 -0.0129872 4080 -0.002447982
60 7/7/2022 3712.5 -0.013378126 7600 -0.0065574 4050 -0.007380107
61 7/8/2022 3737.5 0.006711435 7600 0 4200 0.036367644
62 7/11/2022 3737.5 0 7500 -0.01324523 4120 -0.019231362
63 7/12/2022 3712.5 -0.006711435 7450 -0.00668899 4110 -0.002430135
64 7/13/2022 3637.5 -0.020408872 7225 -0.0306668 4060 -0.012240055
65 7/14/2022 3637.5 0 7275 0.00689658 4070 0.002460026
66 7/15/2022 3587.5 -0.013841051 7275 0 4110 0.009780029
67 7/18/2022 3675 0.024097552 7325 0.00684934 4140 0.007272759
68 7/19/2022 3712.5 0.010152371 7300 -0.00341881 4110 -0.007272759
69 7/20/2022 3950 0.062010075 7675 0.05009395 4300 0.045191994
70 7/21/2022 3950 0 7725 0.00649353 4310 0.002322881
71 7/22/2022 3925 -0.006349228 7700 -0.00324149 4270 -0.009324077
72 7/25/2022 3887.5 -0.009600074 7600 -0.01307208 4250 -0.004694844
73 7/26/2022 4000 0.028528084 7675 0.00982005 4330 0.018648559
74 7/27/2022 4050 0.01242252 7775 0.01294517 4320 -0.00231214
75 7/28/2022 4025 -0.00619197 7825 0.00641028 4360 0.009216655
76 7/29/2022 4137.5 0.02756683 7850 0.0031898 4360 0
77 8/1/2022 3987.5 -0.036927273 7950 0.0126584 4360 0
78 8/2/2022 4087.5 0.024769068 8075 0.01560094 4400 0.009132484
79 8/3/2022 4125 0.009132484 8125 0.00617286 4380 -0.004555817
80 8/4/2022 4125 0 8000 -0.01550419 4360 -0.004576667
81 8/5/2022 4125 0 8250 0.03077166 4360 0
82 8/8/2022 4175 0.012048339 8250 0 4370 0.002290952
83 8/9/2022 4237.5 0.014859114 8450 0.02395324 4410 0.00911168
84 8/10/2022 4300 0.01464155 8475 0.00295421 4310 -0.022936785
85 8/11/2022 4262.5 -0.00875918 8525 0.00588237 4350 0.009237941
86 8/12/2022 4237.5 -0.00588237 8525 0 4320 -0.006920443
87 8/15/2022 4225 -0.002954212 8550 0.00292826 4300 -0.00464038
88 8/16/2022 4262.5 0.008836582 8575 0.00291971 4280 -0.004662013
89 8/18/2022 4300 0.00875918 8650 0.00870833 4330 0.011614532
90 8/19/2022 4250 -0.01169604 8500 -0.01749316 4300 -0.006952519

53
 91 8/22/2022 4262.5 0.00293686 8300 -0.02381065 4270 -0.007001195
92 8/23/2022 4312.5 0.01166194 8300 0 4300 0.007001195
93 8/24/2022 4312.5 0 8300 0 4290 -0.00232829
94 8/25/2022 4287.5 -0.00581397 8275 -0.00301659 4270 -0.004672906
95 8/26/2022 4250 -0.00878483 8300 0.00301659 4270 0
96 8/29/2022 4275 0.005865119 8200 -0.01212136 4250 -0.004694844
97 8/30/2022 4325 0.011628038 8425 0.02706932 4260 0.002350177
98 8/31/2022 4425 0.022858138 8525 0.01179955 4340 0.018605188
99 9/1/2022 4462.5 0.008438869 8525 0 4390 0.011454879
100 9/2/2022 4425 -0.008438869 8700 0.02032 4450 0.013574869
101 9/5/2022 4475 0.011236073 8850 0.01709443 4590 0.030975928
102 9/6/2022 4412.5 -0.014064929 8750 -0.01136376 4560 -0.006557401
103 9/7/2022 4437.5 0.005649733 8575 -0.02020271 4460 -0.022173857
104 9/8/2022 4475 0.008415197 8775 0.02305578 4600 0.030907537
105 9/9/2022 4537.5 0.013869848 8800 0.00284495 4610 0.002171554
106 9/12/2022 4587.5 0.010959014 8800 0 4560 -0.010905233
107 9/13/2022 4725 0.029532348 8975 0.01969121 4580 0.004376375
108 9/14/2022 4650 -0.016000341 8900 -0.00839166 4580 0
109 9/15/2022 4675 0.005361943 9175 0.03043112 4610 0.006528859
110 9/16/2022 4550 -0.02710193 8950 -0.02482886 4500 -0.02415046
111 9/19/2022 4612.5 0.013642776 8975 0.0027894 4570 0.015435808
112 9/20/2022 4600 -0.002713706 8975 0 4490 -0.017660503
113 9/21/2022 4637.5 0.008119124 8975 0 4550 0.013274531
114 9/22/2022 4600 -0.008119124 9000 0.00278164 4560 0.002195391
115 9/23/2022 4600 0 9000 0 4480 -0.017699577
116 9/26/2022 4625 0.005420067 9000 0 4540 0.013303966
117 9/27/2022 4675 0.010752792 9000 0 4530 -0.002205073
118 9/28/2022 4650 -0.005361943 9000 0 4520 -0.002209946
119 9/29/2022 4625 -0.005390849 8975 -0.00278164 4480 -0.008888947
120 9/30/2022 4712.5 0.018742182 8975 0 4490 0.002229655
121 10/3/2022 4637.5 -0.016043125 8900 -0.00839166 4530 0.008869238
122 10/4/2022 4612.5 -0.005405419 8850 -0.00563382 4640 0.023992427
123 10/5/2022 4637.5 0.005405419 8850 0 4540 -0.021787354
124 10/6/2022 4662.5 0.005376357 8900 0.00563382 4510 -0.006629859
125 10/7/2022 4712.5 0.010666768 8775 -0.01414451 4440 -0.015642777
126 10/10/2022 4650 -0.013351333 8750 -0.00285307 4370 -0.015891367
127 10/11/2022 4650 0 8700 -0.00573068 4430 0.013636575
128 10/12/2022 4712.5 0.013351333 8650 -0.00576371 4400 -0.006795043
129 10/13/2022 4737.5 0.005291018 8750 0.01149438 4350 -0.011428696

54
130 10/14/2022 4700 -0.007947062 8425 -0.03785022 4270 -0.018562018
131 10/17/2022 4725 0.005305052 8575 0.01764752 4300 0.007001195
132 10/18/2022 4750 0.005277057 8675 0.01159433 4290 -0.00232829
133 10/19/2022 4737.5 -0.002635048 8775 0.01146144 4300 0.00232829
134 10/20/2022 4950 0.043878006 9000 0.02531781 4390 0.020714204
135 10/21/2022 5175 0.044451763 9000 0 4430 0.009070357
136 10/24/2022 5125 -0.009708814 9350 0.03815177 4500 0.015677813
137 10/25/2022 5112.5 -0.002442004 9425 0.00798939 4590 0.019802627
138 10/26/2022 5100 -0.002447982 9225 -0.02144854 4530 -0.013158085
139 10/27/2022 5100 0 9350 0.01345915 4600 0.015334364
140 10/28/2022 5100 0 9325 -0.00267738 4630 0.006500565
141 10/31/2022 5275 0.03373814 9400 0.00801072 4650 0.004310352
142 11/1/2022 5200 -0.014320054 9400 0 4660 0.002148229
143 11/2/2022 5037.5 -0.031748698 9250 -0.01608614 4610 -0.010787591
144 11/3/2022 5087.5 0.009876623 9300 0.00539085 4650 0.008639363
145 11/4/2022 5075 -0.002460026 9275 -0.00269179 4650 0
146 11/7/2022 5125 0.009804 9275 0 4690 0.008565363
147 11/8/2022 5075 -0.009804 9250 -0.00269906 4620 -0.015037877
148 11/9/2022 5075 0 9300 0.00539085 4650 0.006472515
149 11/10/2022 5050 -0.004938282 9275 -0.00269179 4530 -0.02614528
150 11/11/2022 5212.5 0.031671344 9300 0.00269179 4650 0.02614528
151 11/14/2022 5125 -0.016929062 9100 -0.02173999 4580 -0.015168221
152 11/15/2022 5125 0 9125 0.00274349 4580 0
153 11/16/2022 5000 -0.024692613 9100 -0.00274349 4520 -0.013187004
154 11/17/2022 4950 -0.010050336 9275 0.0190482 4670 0.032647078
155 11/18/2022 5087.5 0.027398974 9200 -0.00811912 4610 -0.012931215
156 11/21/2022 5050 -0.007398307 9175 -0.00272109 4590 -0.004347833
157 11/22/2022 5062.5 0.002472189 9250 0.00814116 4590 0
158 11/23/2022 5100 0.007380107 9250 0 4670 0.017279048
159 11/24/2022 5112.5 0.002447982 9275 0.00269906 4720 0.010649728
160 11/25/2022 5087.5 -0.004901971 9300 0.00269179 4750 0.006335818
161 11/28/2022 5062.5 -0.004926118 9275 -0.00269179 4820 0.01462931
162 11/29/2022 5162.5 0.019560526 9375 0.01072396 4850 0.006204777
163 11/30/2022 5262.5 0.019185241 9900 0.05448819 4980 0.026451186
164 12/1/2022 5200 -0.011947573 9700 -0.02040887 4940 -0.00806456
165 12/2/2022 5262.5 0.011947573 9750 0.0051414 4890 -0.010173028
166 12/5/2022 5437.5 0.032713197 9750 0 4890 0
167 12/6/2022 5450 0.002296212 9550 -0.02072613 4860 -0.006153866
168 12/7/2022 5187.5 -0.049363723 9500 -0.00524936 4760 -0.02079077

55
169 12/8/2022 5025 -0.031826432 9500 0 4840 0.016667052
170 12/9/2022 4962.5 -0.012515808 9550 0.00524936 4800 -0.008298803
171 12/12/2022 4975 0.002515725 9525 -0.00262123 4850 0.010362787
172 12/13/2022 4950 -0.005037794 9650 0.01303799 4970 0.024441135
173 12/14/2022 4975 0.005037794 9525 -0.01303799 4980 0.002010051
174 12/15/2022 4950 -0.005037794 9475 -0.00526317 4910 -0.014155949
175 12/16/2022 5050 0.020000667 9800 0.03372564 4980 0.014155949
176 12/19/2022 5000 -0.009950331 9425 -0.03901665 4970 -0.002010051
177 12/20/2022 5025 0.004987542 9450 0.00264901 4910 -0.012145898
178 12/21/2022 5000 -0.004987542 9350 -0.0106384 4890 -0.004081638
179 12/22/2022 4975 -0.005012542 9425 0.00798939 4960 0.014213437
180 12/23/2022 4962.5 -0.002515725 9325 -0.01066677 4880 -0.016260521
181 12/26/2022 5025 0.012515808 9325 0 4930 0.010193768
182 12/27/2022 4975 -0.010000083 9300 -0.00268457 4870 -0.012245051
183 12/28/2022 4987.5 0.002509412 9225 -0.00809721 4820 -0.010320009
184 12/29/2022 4987.5 0 9225 0 4870 0.010320009
185 12/30/2022 4962.5 -0.005025136 9225 0 4940 0.014271394
186 1/2/2023 4937.5 -0.005050516 9225 0 4870 -0.014271394
187 1/3/2023 4975 0.00756624 9275 0.00540542 4850 -0.004115232
188 1/4/2023 5012.5 0.007509422 9175 -0.01084022 4770 -0.0166324
189 1/5/2023 4912.5 -0.020151815 9000 -0.01925782 4640 -0.027631939
190 1/6/2023 4900 -0.002547772 8900 -0.0111733 4620 -0.004319661
191 1/9/2023 4862.5 -0.007682496 9000 0.0111733 4590 -0.006514681
192 1/10/2023 4637.5 -0.047377281 8725 -0.03103211 4430 -0.03548044
193 1/11/2023 4475 -0.035669076 8500 -0.02612631 4380 -0.01135086
194 1/12/2023 4600 0.027549952 8600 0.01169604 4500 0.027028672
195 1/13/2023 4587.5 -0.00272109 8675 0.00868312 4480 -0.00445435
196 1/16/2023 4650 0.013532006 8775 0.01146144 4520 0.008888947
197 1/17/2023 4875 0.047252885 8925 0.01694956 4560 0.00881063
198 1/18/2023 4775 -0.020726131 8875 -0.00561799 4600 0.00873368
199 1/19/2023 4875 0.020726131 8950 0.0084152 4610 0.002171554
200 1/20/2023 4987.5 0.022814678 9025 0.00834497 4650 0.008639363
201 1/24/2023 4950 -0.007547206 9050 0.00276625 4620 -0.006472515
202 1/25/2023 4850 -0.020408872 9075 0.00275862 4560 -0.013072082
203 1/26/2023 4912.5 0.012804272 9475 0.04313337 4590 0.006557401
204 1/27/2023 5012.5 0.020151815 9550 0.0078844 4640 0.010834342
205 1/30/2023 4975 -0.007509422 9300 -0.02652675 4610 -0.006486509
206 1/31/2023 4975 0 9150 -0.01626052 4580 -0.006528859
207 2/1/2023 4850 -0.025446666 9125 -0.00273598 4680 0.021599112

56
208 2/2/2023 4862.5 0.002574004 9100 -0.00274349 4600 -0.017241806
209 2/3/2023 4962.5 0.020356937 9300 0.02173999 4750 0.032088315
210 2/6/2023 4937.5 -0.005050516 9350 0.00536194 4740 -0.002107482
211 2/7/2023 5087.5 0.029927421 9375 0.00267023 4750 0.002107482
212 2/8/2023 5100 0.002453989 9475 0.01061018 4790 0.008385793
213 2/9/2023 5125 0.004889985 9550 0.0078844 4810 0.004166673
214 2/10/2023 5150 0.00486619 9525 -0.00262123 4860 0.010341354
215 2/13/2023 5175 0.004842624 9500 -0.00262812 4800 -0.01242252
216 2/14/2023 5187.5 0.002412546 9450 -0.00527706 4870 0.014478019
217 2/15/2023 5112.5 -0.014563364 9425 -0.00264901 4870 0
218 2/16/2023 5087.5 -0.004901971 9350 -0.00798939 4870 0
219 2/17/2023 5150 0.012210164 9275 -0.00805374 4880 0.002051283
220 2/20/2023 5137.5 -0.002430135 9150 -0.01356873 4880 0
221 2/21/2023 5100 -0.00732604 9050 -0.01098912 4820 -0.012371292
222 2/22/2023 5000 -0.019802627 8850 -0.0223473 4760 -0.01252626
223 2/23/2023 5037.5 0.007472015 8950 0.01123607 4800 0.00836825
224 2/24/2023 5062.5 0.004950505 8900 -0.00560226 4760 -0.00836825
225 2/27/2023 5075 0.002466092 8950 0.00560226 4810 0.010449416
226 2/28/2023 5000 -0.014888612 8775 -0.01974676 4670 -0.029538012
227 3/1/2023 5050 0.009950331 8950 0.01974676 4720 0.010649728
228 3/2/2023 5112.5 0.012300278 8875 -0.0084152 4780 0.012631747
229 3/3/2023 5025 -0.017263067 8750 -0.01418464 4760 -0.004192878
230 3/6/2023 5062.5 0.007434978 8800 0.00569802 4790 0.006282743
231 3/7/2023 5087.5 0.004926118 8900 0.01129956 4840 0.010384309
232 3/8/2023 5137.5 0.009780029 8875 -0.00281294 4840 0
233 3/9/2023 5225 0.016888218 9150 0.03051554 4810 -0.006217637
234 3/10/2023 5187.5 -0.007202912 9025 -0.01375538 4820 0.002076844
235 3/13/2023 5175 -0.002412546 9000 -0.00277393 4830 0.00207254
236 3/14/2023 4962.5 -0.041929693 8775 -0.02531781 4710 -0.02515856
237 3/15/2023 5025 0.012515808 8800 0.00284495 4700 -0.002125399
238 3/16/2023 4925 -0.020101179 8950 0.01690181 4730 0.006362694
239 3/17/2023 5050 0.025063969 9025 0.00834497 4900 0.035310003
240 3/20/2023 5000 -0.009950331 9000 -0.00277393 4880 -0.004089985
241 3/21/2023 5250 0.048790164 9225 0.02469261 4900 0.004089985
242 3/24/2023 5450 0.037387532 9625 0.04244669 4770 -0.0268889
243 3/27/2023 5100 -0.066375069 9500 -0.01307208 4740 -0.006309169
244 3/28/2023 5062.5 -0.007380107 9025 -0.05129329 4770 0.006309169
245 3/29/2023 5175 0.021978907 9200 0.01920498 4810 0.008350779
246 3/30/2023 10225 0.680996363 9350 0.01617286 4750 -0.012552466

57
 247 3/31/2023 5162.5 -0.683414744 9350 0 4730 -0.004219416
Sumber data: [Link]

Lampiran 3. Sintaks-sintaks yang digunakan Pada software R

#Analisis Data Pola Return
Data1-BMRI
> Data1<-[Link]([Link](),header=TRUE)
> View(Data1)
> summary(Data1)
> Data1=Data1[,c(-1)]
> library(xts)
> Dates=seq([Link]("2022-04-01"), [Link]("2023-03-31"), "day")
> [Link]=ts(Data1)
> [Link]
> [Link]([Link],xlab="Time",ylab="$Return",main="Plot Return
Saham BMRI")

#Uji ADF
> library(tseries)
> [Link]([Link])
Augmented Dickey-Fuller Test

data: [Link]
Dickey-Fuller = -4.1456, Lag order = 6, p-value = 0.01
alternative hypothesis: stationary

Warning message:
In [Link]([Link]) : p-value smaller than printed p-value

#Grafik Correlogram ACF dan PACF

> acf=acf([Link], main="ACF Return BMRI", [Link]="10", ylim=c(-
0.5,1))
> pacf=pacf([Link], main="PACF Return BMRI", [Link]="10",
ylim=c(-0.5,1))

Data2-BBNI
> Data2<-[Link]([Link](),header=TRUE)
> View(Data2)
> summary(Data2)
> Data2=Data2[,c(-1)]
> library(xts)
> Dates=seq([Link]("2022-04-01"), [Link]("2023-03-31"), "day")
> [Link]=ts(Data2)
> [Link]
> [Link]([Link],xlab="Time",ylab="$Return",main="Plot Return
Saham BBNI")

#Uji ADF
> library(tseries)
> [Link]([Link])

58
 Augmented Dickey-Fuller Test

data: [Link]
Dickey-Fuller = -6.7149, Lag order = 6, p-value = 0.01
alternative hypothesis: stationary

Warning message:
In [Link]([Link]) : p-value smaller than printed p-value

#Grafik Correlogram ACF dan PACF

> acf=acf([Link], main="ACF Return BBNI", [Link]="10", ylim=c(-
0.5,1))
> pacf=pacf([Link], main="PACF Return BBNI", [Link]="10",
ylim=c(-0.5,1))

Data3-BBRI
> Data3<-[Link]([Link](),header=TRUE)
> View(Data3)
> summary(Data3)
> Data3=Data3[,c(-1)]
> library(xts)
> Dates=seq([Link]("2022-04-01"), [Link]("2023-03-31"), "day")
> [Link]=ts(Data3)
> [Link]
> [Link]([Link],xlab="Time",ylab="$Return",main="Plot Return
Saham BBRI")

#Uji ADF
> library(tseries)
> [Link]([Link])
Augmented Dickey-Fuller Test

data: [Link]
Dickey-Fuller = -6.6419, Lag order = 6, p-value = 0.01
alternative hypothesis: stationary

Warning message:
In [Link]([Link]) : p-value smaller than printed p-value

#Grafik Correlogram ACF dan PACF

> acf=acf([Link], main="ACF Return BBRI", [Link]="10", ylim=c(-
0.5,1))
> pacf=pacf([Link], main="PACF Return BBRI", [Link]="10",
ylim=c(-0.5,1))

#Identifikasi Model Box-Jenkins (ARIMA)

Data1-BMRI
> library(forecast)
> [Link]([Link], trace=TRUE)

Fitting models using approximations to speed things up...

59
 ARIMA(2,0,2) with non-zero mean : Inf
ARIMA(0,0,0) with non-zero mean : -650.7513
ARIMA(1,0,0) with non-zero mean : -763.5746
ARIMA(0,0,1) with non-zero mean : -762.9722
ARIMA(0,0,0) with zero mean : -652.7139
ARIMA(2,0,0) with non-zero mean : -762.3614
ARIMA(1,0,1) with non-zero mean : -767.0621
ARIMA(2,0,1) with non-zero mean : -764.1365
ARIMA(1,0,2) with non-zero mean : -767.2264
ARIMA(0,0,2) with non-zero mean : -768.9212
ARIMA(0,0,3) with non-zero mean : -768.1051
ARIMA(1,0,3) with non-zero mean : -765.3691
ARIMA(0,0,2) with zero mean : -768.7175

Now re-fitting the best model(s) without approximations...

ARIMA(0,0,2) with non-zero mean : -768.2173

Best model: ARIMA(0,0,2) with non-zero mean

Series: [Link]
ARIMA(0,0,2) with non-zero mean

Coefficients:
ma1 ma2 mean
-0.8425 0.2711 0.0021
s.e. 0.0661 0.0882 0.0014

sigma^2 = 0.002549: log likelihood = 388.19

AIC=-768.38 AICc=-768.22 BIC=-754.35

Data2-BBNI
> library(forecast)
> [Link]([Link], trace=TRUE)

Fitting models using approximations to speed things up...

ARIMA(2,0,2) with non-zero mean : Inf

ARIMA(0,0,0) with non-zero mean : -1299.664
ARIMA(1,0,0) with non-zero mean : -1296.765
ARIMA(0,0,1) with non-zero mean : -1297.621
ARIMA(0,0,0) with zero mean : -1301.484
ARIMA(1,0,1) with non-zero mean : -1295.151

Now re-fitting the best model(s) without approximations...

ARIMA(0,0,0) with zero mean : -1301.484

Best model: ARIMA(0,0,0) with zero mean

Series: [Link]
ARIMA(0,0,0) with zero mean

60
sigma^2 = 0.000299: log likelihood = 651.75
AIC=-1301.5 AICc=-1301.48 BIC=-1297.99

Data3-BBRI
> library(forecast)
> [Link]([Link], trace=TRUE)

Fitting models using approximations to speed things up...

ARIMA(2,0,2) with non-zero mean : Inf

ARIMA(0,0,0) with non-zero mean : -1342.513
ARIMA(1,0,0) with non-zero mean : -1352.925
ARIMA(0,0,1) with non-zero mean : -1351.551
ARIMA(0,0,0) with zero mean : -1344.542
ARIMA(2,0,0) with non-zero mean : -1350.321
ARIMA(1,0,1) with non-zero mean : -1351.496
ARIMA(2,0,1) with non-zero mean : -1348.457
ARIMA(1,0,0) with zero mean : -1354.974
ARIMA(2,0,0) with zero mean : -1352.387
ARIMA(1,0,1) with zero mean : -1353.562
ARIMA(0,0,1) with zero mean : -1353.596
ARIMA(2,0,1) with zero mean : -1350.538

Now re-fitting the best model(s) without approximations...

ARIMA(1,0,0) with zero mean : -1355.039

Best model: ARIMA(1,0,0) with zero mean

Series: [Link]
ARIMA(1,0,0) with zero mean

Coefficients:
ar1
-0.2224
s.e. 0.0620

sigma^2 = 0.0002396: log likelihood = 679.54

AIC=-1355.09 AICc=-1355.04 BIC=-1348.07
#Uji Korelasi dan Efek ARCH
Data1-BMRI
> library(FinTS)
#Uji Korelasi
> AutocorTest([Link])

Box-Ljung test

data: [Link]
X-squared = 52.734, df = 6, p-value = 1.327e-09

#Uji ARCH-LM

61
> ArchTest([Link])

ARCH LM-test; Null hypothesis: no ARCH effects

data: [Link]
Chi-squared = 137.89, df = 12, p-value < 2.2e-16

Data2-BBNI
> library(FinTS)
#Uji Korelasi
> AutocorTest([Link])

Box-Ljung test

data: [Link]
X-squared = 5.0727, df = 6, p-value = 0.5345

#Uji ARCH-LM
> ArchTest([Link])

ARCH LM-test; Null hypothesis: no ARCH effects

data: [Link]
Chi-squared = 18.481, df = 12, p-value = 0.1018

Data3-BBRI
> library(FinTS)
#Uji Korelasi
> AutocorTest([Link])

Box-Ljung test

data: [Link]
X-squared = 19.88, df = 6, p-value = 0.002909

#Uji ARCH-LM
> ArchTest([Link])

ARCH LM-test; Null hypothesis: no ARCH effects

data: [Link]
Chi-squared = 40.169, df = 12, p-value = 6.742e-05

#Estimasi Model GARCH

> library(tseries)
> library(rugarch)
> library(fGarch)
Data1-BMRI
> GARCH11=garchFit(~arma(0,2)+garch(1,1),data=[Link])
> summary(GARCH11)

Title:

62
 GARCH Modelling

Call:
garchFit(formula = ~arma(0, 2) + garch(1, 1), data = [Link])

Mean and Variance Equation:

data ~ arma(0, 2) + garch(1, 1)
<environment: 0x000001ee453f11a8>
[data = [Link]]

Conditional Distribution:
norm

Coefficient(s):
mu ma1 ma2 omega alpha1
beta1
2.0496e-03 1.2691e-01 4.1267e-01 3.3414e-05 1.0000e+00
5.1677e-01

Std. Errors:
based on Hessian

Error Analysis:
Estimate Std. Error t value Pr(>|t|)
mu 2.050e-03 1.456e-03 1.408 0.1592
ma1 1.269e-01 7.147e-02 1.776 0.0758 .
ma2 4.127e-01 5.414e-02 7.622 2.49e-14 ***
omega 3.341e-05 2.524e-05 1.324 0.1855
alpha1 1.000e+00 1.793e-01 5.578 2.43e-08 ***
beta1 5.168e-01 7.312e-02 7.068 1.58e-12 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Log Likelihood:
547.2245 normalized: 2.215484

Description:
Sun Jun 18 03:39:33 2023 by user: DOTCOM

Standardised Residuals Tests:

Statistic p-Value
Jarque-Bera Test R Chi^2 5223.555 0
Shapiro-Wilk Test R W 0.8363654 1.940455e-15
Ljung-Box Test R Q(10) 24.02127 0.007544134
Ljung-Box Test R Q(15) 26.7964 0.03043964
Ljung-Box Test R Q(20) 33.55109 0.0293267
Ljung-Box Test R^2 Q(10) 1.65509 0.9983656
Ljung-Box Test R^2 Q(15) 1.727436 0.9999889
Ljung-Box Test R^2 Q(20) 1.772648 1
LM Arch Test R TR^2 22.33139 0.03396923

63
Information Criterion Statistics:
AIC BIC SIC HQIC
-4.382385 -4.297136 -4.383528 -4.348063

> GARCH12=garchFit(~arma(0,2)+garch(1,2),data=[Link])
Warning message:
In sqrt(diag(fit$cvar)) : NaNs produced
> summary(GARCH12)

Title:
GARCH Modelling

Call:
garchFit(formula = ~arma(0, 2) + garch(1, 2), data = [Link])

Mean and Variance Equation:

data ~ arma(0, 2) + garch(1, 2)
<environment: 0x000001ee467f1d48>
[data = [Link]]

Conditional Distribution:
norm

Coefficient(s):
mu ma1 ma2 omega alpha1
beta1 beta2
2.0769e-03 1.2719e-01 4.1327e-01 3.3833e-05 1.0000e+00
5.1632e-01 1.0000e-08

Std. Errors:
based on Hessian

Error Analysis:
Estimate Std. Error t value Pr(>|t|)
mu 2.077e-03 1.465e-03 1.418 0.1563
ma1 1.272e-01 6.940e-02 1.833 0.0668 .
ma2 4.133e-01 5.394e-02 7.662 1.82e-14 ***
omega 3.383e-05 2.505e-05 1.351 0.1768
alpha1 1.000e+00 1.704e-01 5.869 4.38e-09 ***
beta1 5.163e-01 NaN NaN NaN
beta2 1.000e-08 NaN NaN NaN
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Log Likelihood:
545.7031 normalized: 2.209324

Description:
Sun Jun 18 03:41:15 2023 by user: DOTCOM

Standardised Residuals Tests:

64
 Statistic p-Value
Jarque-Bera Test R Chi^2 5271.89 0
Shapiro-Wilk Test R W 0.835788 1.817609e-15
Ljung-Box Test R Q(10) 24.06317 0.007434476
Ljung-Box Test R Q(15) 26.90824 0.02949294
Ljung-Box Test R Q(20) 33.7463 0.027893
Ljung-Box Test R^2 Q(10) 1.658419 0.9983513
Ljung-Box Test R^2 Q(15) 1.730181 0.9999888
Ljung-Box Test R^2 Q(20) 1.775964 1
LM Arch Test R TR^2 22.51 0.03218591

Information Criterion Statistics:

AIC BIC SIC HQIC
-4.361968 -4.262512 -4.363516 -4.321926

> GARCH21=garchFit(~arma(0,2)+garch(2,1),data=[Link])
> summary(GARCH21)

Title:
GARCH Modelling

Call:
garchFit(formula = ~arma(0, 2) + garch(2, 1), data = [Link])

Mean and Variance Equation:

data ~ arma(0, 2) + garch(2, 1)
<environment: 0x000001ee3b92ddb8>
[data = [Link]]

Conditional Distribution:
norm

Coefficient(s):
mu ma1 ma2 omega alpha1
alpha2
2.0427e-03 -3.6255e-02 3.0890e-01 5.4491e-06 3.6394e-01
1.0000e+00
beta1
4.6203e-01

Std. Errors:
based on Hessian

Error Analysis:
Estimate Std. Error t value Pr(>|t|)
mu 2.043e-03 9.917e-04 2.060 0.039413 *
ma1 -3.625e-02 1.174e-01 -0.309 0.757485
ma2 3.089e-01 6.426e-02 4.807 1.53e-06 ***
omega 5.449e-06 1.494e-05 0.365 0.715266
alpha1 3.639e-01 1.489e-01 2.443 0.014549 *
alpha2 1.000e+00 2.998e-01 3.335 0.000852 ***

65
beta1 4.620e-01 7.050e-02 6.554 5.61e-11 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Log Likelihood:
550.4875 normalized: 2.228694

Description:
Sun Jun 18 03:44:38 2023 by user: DOTCOM

Standardised Residuals Tests:

Statistic p-Value
Jarque-Bera Test R Chi^2 8985.958 0
Shapiro-Wilk Test R W 0.7991369 0
Ljung-Box Test R Q(10) 18.0404 0.05428598
Ljung-Box Test R Q(15) 20.21261 0.1639277
Ljung-Box Test R Q(20) 26.14403 0.1611074
Ljung-Box Test R^2 Q(10) 0.8872603 0.9999009
Ljung-Box Test R^2 Q(15) 0.9291647 0.9999998
Ljung-Box Test R^2 Q(20) 0.9431129 1
LM Arch Test R TR^2 17.74582 0.1236291

Information Criterion Statistics:

AIC BIC SIC HQIC
-4.400708 -4.301252 -4.402256 -4.360666

> GARCH22=garchFit(~arma(0,2)+garch(2,2),data=[Link])
> summary(GARCH22)

Title:
GARCH Modelling

Call:
garchFit(formula = ~arma(0, 2) + garch(2, 2), data = [Link])

Mean and Variance Equation:

data ~ arma(0, 2) + garch(2, 2)
<environment: 0x000001ee4508aef0>
[data = [Link]]

Conditional Distribution:
norm

Coefficient(s):
mu ma1 ma2 omega alpha1
alpha2
2.0428e-03 -3.6255e-02 3.0890e-01 5.4490e-06 3.6394e-01
1.0000e+00
beta1 beta2
4.6203e-01 1.0000e-08

66
Std. Errors:
based on Hessian

Error Analysis:
Estimate Std. Error t value Pr(>|t|)
mu 2.043e-03 1.069e-03 1.910 0.0561 .
ma1 -3.625e-02 1.192e-01 -0.304 0.7610
ma2 3.089e-01 7.199e-02 4.291 1.78e-05 ***
omega 5.449e-06 5.011e-05 0.109 0.9134
alpha1 3.639e-01 4.377e-01 0.831 0.4057
alpha2 1.000e+00 5.369e-01 1.862 0.0625 .
beta1 4.620e-01 3.365e-01 1.373 0.1697
beta2 1.000e-08 4.048e-01 0.000 1.0000
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Log Likelihood:
550.4875 normalized: 2.228694

Description:
Sun Jun 18 03:45:43 2023 by user: DOTCOM

Standardised Residuals Tests:

Statistic p-Value
Jarque-Bera Test R Chi^2 8985.953 0
Shapiro-Wilk Test R W 0.7991369 0
Ljung-Box Test R Q(10) 18.04039 0.0542861
Ljung-Box Test R Q(15) 20.2126 0.163928
Ljung-Box Test R Q(20) 26.14403 0.1611076
Ljung-Box Test R^2 Q(10) 0.8872604 0.9999009
Ljung-Box Test R^2 Q(15) 0.9291648 0.9999998
Ljung-Box Test R^2 Q(20) 0.9431131 1
LM Arch Test R TR^2 17.74581 0.1236293

Information Criterion Statistics:

AIC BIC SIC HQIC
-4.392611 -4.278947 -4.394623 -4.346849

> library(tseries)
> library(rugarch)
> library(fGarch)
Data3-BBRI
> GARCH11=garchFit(~arma(1,0)+garch(1,1),data=[Link])
> summary(GARCH11)

Title:
GARCH Modelling

Call:
garchFit(formula = ~arma(1, 0) + garch(1, 1), data = [Link])

67
Mean and Variance Equation:
data ~ arma(1, 0) + garch(1, 1)
<environment: 0x000002d17110d6e8>
[data = [Link]]

Conditional Distribution:
norm

Coefficient(s):
mu ar1 omega alpha1 beta1
0.00040345 -0.22584919 0.00001675 0.04052067 0.88672018

Std. Errors:
based on Hessian

Error Analysis:
Estimate Std. Error t value Pr(>|t|)
mu 4.035e-04 9.538e-04 0.423 0.672299
ar1 -2.258e-01 6.784e-02 -3.329 0.000871 ***
omega 1.675e-05 1.511e-05 1.108 0.267669
alpha1 4.052e-02 2.804e-02 1.445 0.148398
beta1 8.867e-01 8.144e-02 10.888 < 2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Log Likelihood:
684.1057 normalized: 2.769659

Description:
Wed Jun 28 04:07:39 2023 by user: DOTCOM

Standardised Residuals Tests:

Statistic p-Value
Jarque-Bera Test R Chi^2 54.88318 1.208589e-12
Shapiro-Wilk Test R W 0.9750264 0.0002435859
Ljung-Box Test R Q(10) 13.066 0.2200053
Ljung-Box Test R Q(15) 17.37504 0.2969433
Ljung-Box Test R Q(20) 21.58352 0.3635307
Ljung-Box Test R^2 Q(10) 26.987 0.002616705
Ljung-Box Test R^2 Q(15) 29.98188 0.011987
Ljung-Box Test R^2 Q(20) 31.21157 0.05245857
LM Arch Test R TR^2 26.02173 0.01065815

Information Criterion Statistics:

AIC BIC SIC HQIC
-5.498831 -5.427791 -5.499630 -5.470230

> GARCH12=garchFit(~arma(1,0)+garch(1,2),data=[Link])
Warning message:
In sqrt(diag(fit$cvar)) : NaNs produced
> summary(GARCH12)

68
Title:
GARCH Modelling

Call:
garchFit(formula = ~arma(1, 0) + garch(1, 2), data = [Link])

Mean and Variance Equation:

data ~ arma(1, 0) + garch(1, 2)
<environment: 0x000002d17572ad38>
[data = [Link]]

Conditional Distribution:
norm

Coefficient(s):
mu ar1 omega alpha1 beta1
beta2
5.5314e-04 -2.0687e-01 1.6898e-05 9.2510e-02 1.0000e-08
8.3133e-01

Std. Errors:
based on Hessian

Error Analysis:
Estimate Std. Error t value Pr(>|t|)
mu 5.531e-04 8.958e-04 0.617 0.53693
ar1 -2.069e-01 6.454e-02 -3.205 0.00135 **
omega 1.690e-05 1.362e-05 1.240 0.21485
alpha1 9.251e-02 4.048e-02 2.285 0.02230 *
beta1 1.000e-08 NaN NaN NaN
beta2 8.313e-01 2.396e-02 34.689 < 2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Log Likelihood:
688.0183 normalized: 2.785499

Description:
Wed Jun 28 04:08:18 2023 by user: DOTCOM

Standardised Residuals Tests:

Statistic p-Value
Jarque-Bera Test R Chi^2 33.74005 4.71455e-08
Shapiro-Wilk Test R W 0.9808723 0.002067824
Ljung-Box Test R Q(10) 11.94957 0.2884459
Ljung-Box Test R Q(15) 15.86896 0.390814
Ljung-Box Test R Q(20) 19.96349 0.4602157
Ljung-Box Test R^2 Q(10) 19.56319 0.0336656
Ljung-Box Test R^2 Q(15) 22.08181 0.1056766
Ljung-Box Test R^2 Q(20) 23.70549 0.2554937

69
 LM Arch Test R TR^2 18.36241 0.1051215

Information Criterion Statistics:

AIC BIC SIC HQIC
-5.522416 -5.437167 -5.523559 -5.488094

> GARCH21=garchFit(~arma(1,0)+garch(2,1),data=[Link])
Warning message:
In sqrt(diag(fit$cvar)) : NaNs produced
> summary(GARCH21)

Title:
GARCH Modelling

Call:
garchFit(formula = ~arma(1, 0) + garch(2, 1), data = [Link])

Mean and Variance Equation:

data ~ arma(1, 0) + garch(2, 1)
<environment: 0x000002d179ea23f8>
[data = [Link]]

Conditional Distribution:
norm

Coefficient(s):
mu ar1 omega alpha1 alpha2
beta1
4.7319e-04 -2.2053e-01 3.0559e-05 1.0000e-08 8.0488e-02
7.8960e-01

Std. Errors:
based on Hessian

Error Analysis:
Estimate Std. Error t value Pr(>|t|)
mu 4.732e-04 8.542e-04 0.554 0.580
ar1 -2.205e-01 NaN NaN NaN
omega 3.056e-05 2.078e-05 1.471 0.141
alpha1 1.000e-08 NaN NaN NaN
alpha2 8.049e-02 NaN NaN NaN
beta1 7.896e-01 1.206e-01 6.546 5.9e-11 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Log Likelihood:
685.938 normalized: 2.777077

Description:
Wed Jun 28 04:08:52 2023 by user: DOTCOM

70
Standardised Residuals Tests:
Statistic p-Value
Jarque-Bera Test R Chi^2 50.70125 9.780621e-12
Shapiro-Wilk Test R W 0.9769212 0.0004761638
Ljung-Box Test R Q(10) 12.20566 0.2715285
Ljung-Box Test R Q(15) 16.44287 0.3532439
Ljung-Box Test R Q(20) 20.96583 0.3991461
Ljung-Box Test R^2 Q(10) 23.29261 0.009716531
Ljung-Box Test R^2 Q(15) 25.84915 0.0396385
Ljung-Box Test R^2 Q(20) 27.13701 0.1314533
LM Arch Test R TR^2 22.98102 0.02788747

Information Criterion Statistics:

AIC BIC SIC HQIC
-5.505571 -5.420323 -5.506714 -5.471249

> GARCH22=garchFit(~arma(1,0)+garch(2,2),data=[Link])
Warning message:
In sqrt(diag(fit$cvar)) : NaNs produced
> summary(GARCH22)

Title:
GARCH Modelling

Call:
garchFit(formula = ~arma(1, 0) + garch(2, 2), data = [Link])

Mean and Variance Equation:

data ~ arma(1, 0) + garch(2, 2)
<environment: 0x000002d17c68bcf0>
[data = [Link]]

Conditional Distribution:
norm

Coefficient(s):
mu ar1 omega alpha1 alpha2
beta1
4.7319e-04 -2.2053e-01 3.0559e-05 1.0000e-08 8.0488e-02
7.8960e-01
beta2
1.0000e-08

Std. Errors:
based on Hessian

Error Analysis:
Estimate Std. Error t value Pr(>|t|)
mu 4.732e-04 9.468e-04 0.500 0.617
ar1 -2.205e-01 5.521e-02 -3.995 6.48e-05 ***
omega 3.056e-05 2.079e-05 1.470 0.142
alpha1 1.000e-08 NaN NaN NaN

71
alpha2 8.049e-02 NaN NaN NaN
beta1 7.896e-01 1.455e-01 5.425 5.79e-08 ***
beta2 1.000e-08 9.020e-02 0.000 1.000
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Log Likelihood:
685.938 normalized: 2.777077

Description:
Wed Jun 28 04:09:33 2023 by user: DOTCOM

Standardised Residuals Tests:

Statistic p-Value
Jarque-Bera Test R Chi^2 50.70124 9.780621e-12
Shapiro-Wilk Test R W 0.9769212 0.0004761644
Ljung-Box Test R Q(10) 12.20566 0.2715284
Ljung-Box Test R Q(15) 16.44288 0.3532437
Ljung-Box Test R Q(20) 20.96584 0.3991459
Ljung-Box Test R^2 Q(10) 23.29261 0.009716529
Ljung-Box Test R^2 Q(15) 25.84914 0.03963854
Ljung-Box Test R^2 Q(20) 27.137 0.1314534
LM Arch Test R TR^2 22.98103 0.02788746

Information Criterion Statistics:

AIC BIC SIC HQIC
-5.497474 -5.398017 -5.499022 -5.457432

#Prediksi Volatilitas Saham

Data1-BMRI
> Data1=predict(GARCH21,7)
> Data1
meanForecast meanError standardDeviation
1 0.239032323 0.8487987 0.8487987
2 -0.206151082 1.0248325 1.0243704
3 0.002042749 1.2873653 1.2598349
4 0.002042749 1.5692420 1.5363290
5 0.002042749 1.9212714 1.8806202
6 0.002042749 2.3476407 2.2981618
7 0.002042749 2.8711593 2.8105406

Data3-BBRI
> Data3=predict(GARCH12,7)
> Data3
meanForecast meanError standardDeviation
1 0.0014259874 0.01390330 0.01390330
2 0.0002581480 0.01468553 0.01440114
3 0.0004997337 0.01435302 0.01402784
4 0.0004497580 0.01470811 0.01440530
5 0.0004600962 0.01445477 0.01413092
6 0.0004579576 0.01472488 0.01441808

72
 7 0.0004584000 0.01453990 0.01421725

Lampiran 4:
Data Prediksi Volatilitas Saham BMRI dan Saham BBRI Periode 7 Hari Kedepan
Date Mean Forecast Mean Error Standard Deviation
4/3/2023 0.239032323 0.8487987 0.8487987
4/4/2023 -0.206151082 1.0248325 1.0243704
4/5/2023 0.002042749 1.2873653 1.2598349
4/6/2023 0.002042749 1.569242 1.536329
4/10/202
0.002042749 1.9212714 1.8806202
3
4/11/202
0.002042749 2.3476407 2.2981618
3
4/12/202
0.002042749 2.8711593 2.8105406
3
Sumber: Data diolah, 2023

Date Mean Forecast Mean Error Standard Deviation

4/3/2023 0.001425987 0.0139033 0.0139033
4/4/2023 0.000258148 0.01468553 0.01440114
4/5/2023 0.000499734 0.01435302 0.01402784
4/6/2023 0.000449758 0.01470811 0.0144053
4/10/202
0.000460096 0.01445477 0.01413092
3
4/11/202
0.000457958 0.01472488 0.01441808
3
4/12/202
0.0004584 0.0145399 0.01421725
3
Sumber: Data diolah, 2023

73