Analisis model multivariat Vector Autoregressive dan Vector Error Correction untuk prediksi harga saham

Abstract

Pada hakikatnya, dalam pasar modal, nilai harga suatu saham bersifat fluktuatif. Artinya, harga saham dapat berubah naik atau turun secara tidak tetap dari waktu ke waktu. Untuk membantu investor dalam memperoleh profit dari investasi yang dilakukan, model prediksi harga saham disajikan dengan menggunakan model analisis deret waktu. Di sisi lain, prediksi harga saham tidak cukup jika hanya bergantung pada variabel saham itu sendiri saja, karena pada kenyataannya harga suatu saham dapat dipengaruhi dan memengaruhi saham lain. Hal inilah yang menjadi dasar pemikiran pada skripsi ini untuk menggunakan model multivariat Vector Autoregressive(VAR) dan Vector Error Correction Model (VECM) untuk memprediksi tiga harga saham perusahaan di bidang telekomunikasi Indonesia, yaitu TLKM.JK, EXCL.JK, dan TOWR.JK. Pemilihan ketiga saham tersebut berdasarkan asumsi bahwa PT Telekomunikasi Indonesia Tbk (TLKM.JK) memiliki hubungan negatif dengan PT XL Axiata Tbk (EXCL.JK) sebagai pesaingnya di industri telekomunikasi Indonesia dan memiliki hubungan positif dengan PT Sarana Menara Nusantara Tbk (TOWR) sebagai penyedia infrastruktur menara telekomunikasi di Indonesia. Penelitian ini dilakukan dengan tujuan untuk membentuk, menganalisis, dan membandingkan model VAR dan VECM dalam memprediksi harga saham. Tidak hanya itu, dianalisis juga hubungan sebab akibat antar variabel dengan uji kausalitas Granger, efek dari perubahan (shock) pada satu variabel terhadap variabel yang lain dengan analisis Impulse Response Function (IRF), dan kontribusi dari masing-masing variabel terhadap pembentukan model prediksi dengan analisis Forecast Error Variance Decomposition (FEVD). Hasil penelitian menunjukkan bahwa untuk memprediksi harga saham TLKM.JK, EXCL.JK, dan TOWR.JK dalam jangka waktu 12 bulan, model VECM(1) lebih baik untuk memprediksi data dengan hubungan kointegrasi (hubungan jangka panjang), sedangkan model VAR(1) lebih cocok untuk memprediksi data dengan hubungan jangka pendek.