PROPOSAL PENELITIAN DASAR UNIVERSITAS LAMPUNG
ANALISIS KEAKURATAN MODEL-MODEL PERAMALAN JANGKA PENDEK PADA DATA KEUANGAN SEKTOR PERTAMBANGAN
PROGRAM STUDI AKUNTANSI FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS LAMPUNG 2021
DAFTAR ISI
Halaman
ABSTRAK ... i
RINGKASAN ... ii
BAB I PENDAHULUAN 1.1 Latar Belakang ... 1
1.2 Perumusan Permasalahan ... 2
1.3 Tujuan ... 2
1.4 Urgensi Penelitian ... 2
1.5 Temuan dan Target Penelitian ... 3
BAB II TINJAUAN PUSTAKA 2.1 Peramalan (forecasting) ... 4
2.2 Model Peramalan Jangka Pendek Pada Data Deret Waktu ... 5
2.2.1. Autoregresif Integrated Moving Average (ARIMA) .... 5
2.2.2. Generalized Autoregressive Conditional Heteroscedasticity (GARCH) ... 5
2.3 Studi Pendahuluan ... 6
2.4 Roadmap Penelitian ... 8
2.5 Kontribusi Penelitian ... 9
BAB III METODOLOGI PENELITIAN 3.1 Variabel Dan Spesifikasi Periode Sampel ... 10
3.2 Proses Penelitian ... 10
3.3 Perencanaan dan Analisis Data ... 12
BAB IV RENCANA ANGGARAN BIAYA DAN JADWAL PENELITIAN 4.1 Rencana Anggaran dan Biaya Penelitian ... 14
4.2 Jadwal Penelitian… ... 15 DAFTAR PUSTAKA
LAMPIRAN-LAMPIRAN
Abstrak
Harga saham harian sektor pertambangan merupakan bagian dari data-data keuangan yang masuk kedalam kriteria penentu yang menggambarkan kondisi perusahaan. Lebih luas, harga saham harian sektor pertambangan khususnya di Indonesia memiliki dampak pada perekonomian nasional. Pada kondisi tersebut pengambilan keputusan dengan risiko rendah sangat dibutuhkan. Metode dalam ilmu ekonomi menjelaskan peramalan atas kondisi ekonomi di masa depan dapat mengurangi risiko dengan mempersiapkan rencana penanganan. Data-data keuangan deret waktu termasuk didalamnya harga saham harian memiliki sifat heteroskesdasitas. ARIMA dan GARCH merupakan model peramalan data keuangan yang dapat mengeliminasi asumsi-asumsi data dengan heteroskesdasitas. Tujuan dari penelitian ini adalah merancang dan memilih model peramalan data keuangan deret waktu (timeseries) dengan tingkat kesalahan rendah, sehingga kualitas keputusan menjadi berkualitas. Target khusus dari penelitian ini adalah menemukan model terbaik dengan cara membandingkan sehingga diketahui model yang paling akurat dalam melakukan peramalan data keuangan sektor pertambangan.
Kata kunci : GARCH, ARIMA, Timeseries, Data Keuangan
RINGKASAN
Harga saham harian sektor pertambangan merupakan bagian dari data-data keuangan yang masuk kedalam kriteria penentu yang menggambarkan kondisi perusahaan. Lebih luas, harga saham harian sektor pertambangan khususnya di Indonesia memiliki dampak pada perekonomian nasional. Pada kondisi tersebut pengambilan keputusan dengan risiko rendah sangat dibutuhkan. Metode dalam ilmu ekonomi menjelaskan peramalan atas kondisi ekonomi di masa depan dapat mengurangi risiko dengan mempersiapkan rencana penanganan. Data-data keuangan deret waktu termasuk didalamnya harga saham harian memiliki sifat heteroskesdasitas. ARIMA dan GARCH merupakan model peramalan data keuangan yang dapat mengeliminasi asumsi-asumsi data dengan heteroskesdasitas. Keduanya memiliki keunggulan masing-masing dalam memodelkan peramalan. Oleh karena itu dengan membandingkan keduanya diharapkan dapat menunjukan model dengan tingkat keakuratan tinggi. Tujuan jangka panjang dari penelitian ini adalah merancang dan memilih model peramalan data keuangan deret waktu (timeseries) dengan tingkat kesalahan rendah, sehingga kualitas keputusan menjadi berkualitas. Target khusus dari penelitian ini adalah menemukan model terbaik dengan cara membandingkan sehingga diketahui model yang paling akurat dalam melakukan peramalan data keuangan sektor pertambangan.
Metode penelitian yang digunakan adalah pendekatan statistik kuantitatif dengan asumsi-asumsi ekonomi sebagai dasar. Hasil yang diharapkan dapat menentukan model peramalan yang memiliki akurasi tinggi pada data-data keuangan sektor pertambangan. Perencanaan kegiatan penelitian dimulai dengan mengumpulkan data-data harga harian sektor pertambangan bekerja sama dengan Bursa Efek Indonesia (BEI). Lebih lanjut proses olah dan analisa data dilakukan oleh semua tim peneliti yang direncanakan akan berlangsung sepanjang bulan April sampai dengan Juni tahun 2021. Kegiatan lain yang mendukung kegiatan penelitian akan dilakukan pada Laboratorium, Perpustakaan dan Ruang Baca Universitas Lampung. Luaran penelitian yang dijanjikan oleh tim peneliti adalah berupa artikrl yang dimuat pada Jurnal Internasional Bereputasi (Scopus Q2) yaitu International Journal of Energy Economic and Policy, sedangkan luaran tambahan yang menjadi sasaran tim peneliti adalah artikel yang akan dipaparkan dalam The 4TH International Confrence of Economics, Business and Entepreneurship.
BAB 1. PENDAHULUAN
1.1 Latar Belakang
Sektor pertambangan merupakan salah satu isu penting disetiap negara, termasuk didalamnya Indonesia yang memiliki kekayaan hasil tambang berlimpah. Sektor pertambangan juga industri-industri turunannya banyak memengaruhi tataran kehidupan, Lebih lanjut sektor pertambangan juga sebagai salah satu industri yang mendukung pertumbuhan perekonomian. Peramalan atas kondisi keuangan sektor pertambangan merupakan sesuatu hal yang penting untuk dilakukan, dalam rangka menentukan arah tujuan, strategi dan kebijakan dimasa yang akan datang.
Peramalan data-data keuangan merupakan salah satu cara untuk memprediksi masa depan dengan mempertimbangkan informasi dan data periode sebelumnya (Azhar dkk, 2020; Hendrawaty, 2021). Proyeksi atau peralaman atas data-data keuangan dapat berupa harga harian, laba dalam setiap periode dan harga saham dilakukan sebagai usaha memeriksa kondisi berdasarkan informasi yang diperoleh (Ahmed dan Bayezid, 2013; Yu dan Sanchez, 2011). Informasi yang didapat lebih awal oleh pengambil keputusan dapat mempermudah dalam usaha memimalisir risiko yang mungkin terjadi di masa depan.
Penelitian ini memiliki lingkup yang berfokus pada peramalan harga harian saham sektor pertambangan dengan dua (2) model peramalan yang berbeda. Peramalan terkait harga harian memiliki tingkat volatilitas data yang tinggi. Volatilitas harga harian secara tidak langsung menggambarkan tingkat risiko yang terjadi di pasar.
Volatilitas harga harian yang rendah akan menyebabkan pergerakan rendah di pasar, hal tersebut memberi sinyal tingkat keuntungan dari traksaksi jual beli (capital gain) yang rendah. Dalam keilmuan dan praktik ekonomi, peramalan dengan tingkat kesalahan rendah digunakan sebagai perencanaan terhadap kondisi ekonomi dalam lingkung luas (makro) dan kecil (mikro). Model dengan jenis data dengan tingkat volitilitas tinggi yang sering kali menjadi acuan peramalan adalah model ARIMA dan GARCH (Tsay, 2005; Brokwell 2002). Peramalan dapat
menunjukan angka-angka harga saham harian sektor pertambangan selama 3 bulan atau 90 hari. Pemilihan model terbaik dari penelitian dilakukan dengan membandingkan tangkat eror. Pertimbangan yang dilakukan selain membandingkan tingkat eror adalah melakukan pencocokan antara harga harian sektor pertambangan hasil peramalan dengan data sesungguhnya.
1.2 Perumusan Masalah Penelitian
Mengetahui dan menganalisis keakuratan antar model peramalan data keuangan sektor pertambangan merupakan rumusan masalah utama dalam penelitian ini.
Hasil pemilihan model peramalan dengan tingkat akurasi yang tinggi dapat membawa kedalam pengambilan keputusan yang menguntungkan.
1.3 Tujuan Khusus Penelitian
Tujuan dari penelitian ini adalah menemukan model terbaik dengan tingkat keakuratan yang paling tinggi yang sebelumnya melalui tahapan perancangan model-model peramalan untuk data keuangan sektor pertambangan. Lebih lanjut, model-model dipakai untuk mengetahui indikasi kenaikan dan penurunan harga saham harian sektor pertambangan dimasa depan. Motode statistik dipakai dalam menentukan model dengan tingkat eror paling rendah dan perbandingan kedekatan antara data hasil peramalan model dengan angka aktualnya.
1.4 Urgensi Penelitian
Dalam bidang ilmu ekonomi teknik peramalan sering kali digunakan sebagai alat yang dapat menentukan keputusan di masa depan. Dengan menggunakan data- data masa lalu peramalan data deret waktu mengansumsikan peristiwa akan terjadi berulang sehingga pada kondisi tertentu pengambil keputusan telah mempersiapkan langkah dan strategi penanganan. Oleh karena itu, model peramalan suatu data keuangan membutuhkan tingkat akurasi tinggi, sehingga keputusan dimasa depan akan menjadi sangat berkualitas. Model peramalan ARMA dan GARCH merupakan model-model peramalan yang masuk kedalam kreteria model peramalan dengan tingkat keakuratan yang tinggi dan juga mengahasilkan tingkat eror yang rendah. Uji pembuktian perlu dilakukan untuk
kedua model sehingga dapat menyimpulkan salah satu model yang terbaik, juga memperkaya hasil penelitian emprik yang dapat digeneralisasikan.
1.5 Temuan dan Target Penelitian
Temuan penelitian yang diharapkan adalah model peramalan jangka pendek data keuangan sektor pertambangan terbaik yaitu dengat kreteria tingkat akurat tinggi dan tingkat eror rendah. Model tersebut diharapkan dapat digunakan dalam memprediksi data-data keuangan sektor pertambngan. Lebih lanjut target penelitian ini memperoleh model dengan tingkat eror yang berada disekitar 0,1- 0,5, selisih beda peramalan 0-100, dan nilai R-square 99%. Lebih lanjut, target penyelesaian penelitian adalah 6 bulan, dengan 3 bulan selanjutnya adalah proses publikasi di jurnal internasional bereputasi.
BAB 2. TINJAUAN PUSTAKA
2.1 Peramalan (Forecasting)
Inti dari peramalan adalah kuantifikasi pemetaan dari masa lalu dan masa kini ke masa depan (Andersen et.,all, 2003). Fama (1988) dalam penelitianya mengatakan bahwa hasil peramalan dapat menawarkan keluasan cakrawala dan peristiwa ekonomi. Dalam penelitian-penelitian yang telah dilakukan peramalan dapat dibagi tiga klasifikasi berdasarkan periode yaitu peramalan jangka pendek, peramalan jangka menengah, dan peramalan jangka panjang (Montgomery, Jennings & Kulahci, 2008). Peramalan jangka pendek yang konkret membantu manajemen dalam pengambilan keputusan yang melingkupi perencanaan sumber daya manusia, pengendalian inventaris, dan manajemen arus kas (Fildes dan Goodwin, 2007). Secara umum perencanaan organisasi yang sukses telah menggunakan teknik peramalan yang memadai hal tersebut karena hasil peramalan yang konkret (Fildes & Goodwin, 2007).
2.2 Model Peramalan Jangka Pendek Pada Data Deret Waktu
Pergerakan harga saham harian di pasar modal dapat diartikan sebagai kesenjangan antara kenaikan atau penurunan harga saham. Pegerakan atau volatilitas itu sendiri di pasar modal bisa dengan mudah berubah- ubah, ada saat di mana volatilitas akan naik dan turun. Volatilitas tinggi berarti bahwa harga saham naik dan turun secara signifikan dalam sedetik. Volatilitas (perubahan harga) di pasar modal secara signifikan mempengaruhi pengembalian investasi.
Volatilitas dikenal sebagai dasar penentuan harga aset dan informasi berharga untuk investasi (Kongsilp dan Mateus, 2017). Ada dua jenis untuk mengukur volatilitas yaitu volatilitas konstan dan volatilitas tidak konstan. Volatilitas konstan tampaknya hadir dengan standar deviasi atau metode simulasi historis.
Volatilitas Non-konstanta terdiri dari Autoregressive Moving Average (ARMA), Autoregressive Integral Moving Average (ARIMA), Autoregressive Conditional
Heteroskedasticity (ARCH) dan Generalized Autoregressive Conditional Heteroskedasticity (GARCH).
2.2.1 Autoregresif Integrated Moving Average (ARIMA)
Kavasseri dan Seetharaman (2009) metode perkiraan berbasis deret waktu bergantung pada metodelogi klasik dari Box-Jenkins, yang menggunakan kelas model umum seperti model Auto-Regressive Moving Average (ARMA (p, q)), atau Auto Regressive Integrated Moving Average (ARIMA (p, d, q)) untuk dapatkan prakiraan. Metode statistik atas asumsi yang dexible merupakan keuanggulan dari ARIMA. Lebih dari itu ARIMA juga dianggap unggul karena dapat melakukan peramalan di berbagai jenis data deret waktu (timeseries) dengan kriteria autoregresif murni (AR), pure moving average (MA) dan seri gabungan AR dan MA (ARMA) (G.E.P. Box, G. Jenkins, 1970).
2.2.2 Generalized Autoregressive Conditional Heteroscedasticity (GARCH) Penelitian sebelumnya telah mempelajari berbagai metode untuk menghasilkan hasil perkiraan, misalnya penggunaan analisis statistik univariat dan multivariat di pasar utama (Ahmad dan Zaluki, 2017). McCarthy et al. (2006) menunjukkan pendekatan penilaian murni untuk praktik peramalan sering digunakan berdasarkan survei. Berdasarkan survei oleh Fildes dan Goodwin (2007) beberapa perusahaan mengandalkan pendekatan penilaian untuk peramalan. Menggunakan analisis regresi univariat dan logistik untuk menentukan perkiraan pendapatan (Ali, J., 2013).
2.3 Studi Pendahuluan
Studi pendahuluan yang telah dilakukan peneliti dalam bidang ilmu telah dilakukan. Dengan pengambilan objek penelitian, kriteria sampel dan rentang waktu yang berbeda diharapkan dapat menemukan model terbaik dalam hal peramalan data keuangan. Berikut adalah studi pendahuluan yang telah dilakukan secara lebih rinci:
Tabel 1.
Penelitian Pendahuluan
Judul dan Tim Penelitian Hasil Publikasi Jurnal/Prosiding
Application of Short-term Forecasting Models for Energy Entity Stock Price: Evidence from Indika Energi Tbk, Jakarta Islamic Index.
Temuan:
Model terbaik yang sesuai dengan data adalah AR (4) - GARCH (1,1). Model ini diterapkan untuk meramalkan harga saham selama 40 hari dan secara signifikan mempresentasikan temuan yang baik dengan persentase kesalahan di bawah rata-rata absolut.
Scopus
Q2 Internasional Journal Of Energy Economic Policy (IJEEP)
Forecasting the Performance of Volatility of Share Prices with the Application of ARIMA Model.
Temuan:
ARIMA (1,1,1) adalah model yang dipilih terbaik karena memiliki nilai p yang sangat signifikan (kurang dari 0,0001) yang menunjukkan model memiliki kemampuan suara dalam peramalan. Model ini kemudian menetapkan prediksi harga saham untuk 30 hari ke depan.
Presenter 2nd International Conference of Economics Business and Entrepreneurship
Application of Prediction Models for Daily Crude Oil Prices.
Temuan:
Model terbaik dengan kesalahan sekitar 0,01 adalah model GARCH (1.1) AR (1). Dari hasil implementasi model yang digunakan untuk menunjukkan perkiraan selama 90 hari ke depan dari data harga minyak mentah dan rekomendasi untuk dampaknya.
Scopus
Q3 International Conference on Economics and Business Studies
Dynamic Model of Forecasting Stock Prices Temuan:
Model terbaik sebagai data pas adalah AR (1) -GARCH (1,1). Implikasi dari model ini adalah untuk memprediksi harga saham Indofood CBP Sukses Makmur Tbk, Indonesia, untuk 2 bulan ke depan (60 hari)
Scopus Q3 Journal of Engineering and Applied Sciences
Accurate Estimated Model of Volatility Crude
Oil Price Temuan:
Data harian minyak mentah dapat diramalkan dengan sangat baik menggunakan model peramalan AR (1) - GARCH (1,1). Penerapan model ini dapat diterapkan untuk memprediksi 90 hari ke depan untuk COP dan dampak yang diantisipasi di masa depan. Karena prediksi yang meningkat, para pembuat kebijakan direkomendasikan untuk mengubah penggunaan energi menjadi energi terbarukan untuk mengurangi biaya penggunaan minyak.
Scopus Q2 Internasional Journal Of Energy Economic Policy (IJEEP)
Modelling and Forecasting Crude Oil Prices
during COVID-19 Pandemic Temuan:
Temuan menunjukkan bahwa model AR (1) -GARCH (1,1) adalah model yang cocok untuk memprediksi kesalahan yang relatif kecil.
Model ini dapat menjadi landasan untuk menentukan strategi di masa depan dalam menghadapi kondisi yang tidak menentu.
Scopus Q2 Internasional Journal Of Energy Economic Policy (IJEEP)
2.4 Peta Jalan (Roadmap) Penelitian
Peta jalan penelitian ini memiliki argumen utama atas dasar pentingnya model peramalan terutama dalam bidang keuangan. Dengan demikian kajian dalam bidang penelitian ini dapat menjadi acuan dalam bidang indicator pertimbangan pengambilan keputusan.
Gambar 1.
Roadmap Penelitian Tahun Pertama
Pada tahun-tahun awal penelitian akan berfokus pada data keuangan yang dengan frekuensi publikasi yang relatif cepat yaitu data saham dan harga harian. Data diolah dengan menggunakan model peramalan GARCH.
Tahun Kedua
Selanjutnya data yang akan diramalkan pada tahun kedua adalah data keuangan dengan mulai memandingkan model-model peramlan yang ada, ini akan memberikan kontribusi internal yang lebih spesifik.
Tahun Ketiga
Setelah penelitian pendahuluan telah dilakukan diharapakan tahun ketiga peneliti dapat melakukan peneltiain dengan model yang berbeda, hal ini akan memberikan pilihan atas penentuan pemilihan model.
Tahun Keempat
Akhirnya, memiliki hasil penelitian data keuangan dengan berbagai macam asumsi yang dibangun didalam model tersebut akan memberikan keluasan keilmuan. Lebih lanjut dalam kehidupan praktik memiliki berbagai macam pilihan dalam melakukan peramalan yang dapat disesuaikan dengan kebutuhan dan kondisi.
2.5 Kontribusi Penelitian
Penelitian ini diharapakan akan memberikan pengetahuan untuk mengevaluasi indikasi kenaikan dan penurunan data keuangan terutama yang menjadi fokus penelitian yaitu data-data keuangan. Secara spesifik, hasil penelitian ini diharapkan dapat memberikan bukti penerapan model peramalan harga saham harian sektor pertambangan. Hasil penelitian ini juga diharapkan dapat merekomendasikan bukti dan pemahaman bagi pelaku investasi tentang praktik model statistik yang dapat digunakan untuk memperkirakan kondisi di masa yang akan dating.
BAB 3. METODE PENELITIAN
3.1. Variabel Dan Spesifikasi Periode Sampel
Variabel dalam penelitian ini berupa data keuangan, lebih rinci data keuangan tersebut adalah harga saham harian dari sektor pertambangan. Pemilihan waktu pengambilan data adalah dari 1 Januari 2015 sampai dengan 31 Desember 2020.
Data yang dikumpulkan merupakan rekam data harga saham harian sektor pertambangan yang disediakan oleh Bursa Efek Indonesia (BEI). Setelah kriteria data ditentukan selanjutnya dilakukan proses pengolahan atas data. Hasil olah data akan menjadi dasar penentuan bagaimana analisis atas hasil dilakukan.
3.2. Proses Penelitian
Proses dalam penelitian ini merupakan beberapa langkah penting yang akan dilakukan untuk mencapai tujuan penelitian yaitu mendapatkan model terbaik untuk melakukan peramalan data harha saham harian sektor pertambangan.
Berikut adalah diagram tulang ikan (fishbone) yang menggambarkan keseluruhan proses penelitian:
Gambar 2.
Fishbone Diagram Proses Penelitian
Setiap langkah dalam proses penelitian telah ditentukan luaran dan indikator pencapaian. Table berikut menunjukan lauaran dan idikator capaian secara rinci:
Tabel 2.
Luaran dan Indikator Capaian Proses Penelitian
Tahap an
Aktivitas Luaran Indikator Sukses 1 Pengumpulan
Data 1. Data Harga Saham Harian Sekor Pertambangan.
2. Grafik trend harga saham harian sektor
pertambangan.
1. Data lengkap dalam priode penelitian.
2. Data secara visual terlihat dalam jangka volatilitas wajar.
2 Uji Stasioner 1. Grafik Stasioner Output SAS Proses : 1. Data stasioner
2. Data dapat dilanjutkan dengan proses
deferensing.
3 Deferensing Data
1. Data Setelah Deferensing.
Output SAS Proses : 1. Data dan Table
setelah Deferencing 4 Memeriksa
Whitenoise 1. Tabel check
whitenoise Output SAS Proses : 1. Data bersih dari
noise.
5 Uji ARMA 1. Tabel AR dan MA Output SAS Proses:
1. ARMA 6 Peramalan
ARIMA
1. Hasil peramalan ARIMA
1. Table forecast 90 hari
kedepan ARIMA.
7 Efek ARCH 1. Tabel ARCH-LM
Test Output SAS Proses :
1. ARCH-LM test 8 GARCH 1. Model Dengan Eror
Terendah Output SAS Proses : 1. GARCH
9 Peramalan
GARCH 1. Data hasil Forecast dengan model GARCH
1. Table forecast 90 hari kedepan GARCH.
Dalam penelitian ini, untuk menemukan model peramalan terbaik antara model ARIMA dan GARCH yang sesuai dengan data beberapa langkah, antara lain sebagai berikut:
a. Untuk menguji data non-stasioner, hipotesis nol adalah data non-stasioner dengan menggunakan uji Augmented Dickey-Fuller (ADF test). Jika data yang dihasilkan dari proses pengolahan menunjukan data non-stasioner, maka proses diferensiasi dilakukan, hal tersebut dalam rangka untuk membuat data menjadi stasioner dalam rata-rata.
b. Jika data telah diam rata-rata atau stsioner setelah deferesing dilakukan, maka proses untuk meyakinkan peneliti selanjutnya adalah memeriksa data apakah terdapat whitenoise. Jika data bersih dari noise maka analisa peramalan atas data dapat dilakukan.
c. Langkah selanjutnya adalah memperkirakan dan menguji model ARIMA dengan menggunakan konsep regresi. Dari proses estimasi dan pengujian model ARIMA ini, kami akan menemukan model MA dan AR terbaik yang sesuai dengan data berdasarkan kriteria AIC. Lebih lanut ARIMA juga akan menunjukan hasil peramalan dengan asumsi dan model terbaik hasil pengolahan data sebelumnya.
d. Untuk menguji hipotesis nol apakah residu dari model ARIMA terbaik terdistribusi normal, uji normalitas Jarque-Bera akan digunakan.
e. Untuk menguji hipotesis nol apakah ada efek heteroskedastisitas atau efek ARCH, efek ARCH Lagrange-Pengganda digunakan.
f. Langkah terakhir adalah peralaman dengan parameter model GARCH yaitu melakukan estimasi dan pengujian. Model GARCH kemudian digunakan untuk memperkirakan data. Model tersebut selanjutnya akan menentukan angka-angka hasil peramalan pada harga saham harian sektor pertambangan.
3.3. Perencanaan dan Analisis Data
Perencanaan pengumpulan data dilakukan dengan melakukan penyusunan kretiria data yang akan dipakai didalam penelitian. Data dalam penelitian ini merupakan jenis data sekunder. Data akan dipastikan dengan analisa statistic awal agar dapat
proses dengan asumsi statistik yang lebih tinggi dapat dilakukan. Data yang sudah siap lebih lanjut akan disesuiakan format dengan permintaan alat analisis, dalam hal ini peneliti menggunakan SAS software and analytics. Alat analisis tersebut memiliki kelebihan dengan asumsi yang dibangun disesuiakan dengan kebutuhan penelitian.
Analisis data yang akan dilakukan dalam penelitian ini melalui beberapa langkah yang harus dilakukan. Langkah pertama adalah melakukan ploting atas data deret waktu untuk melihat perilaku data, langkah kedua adalah memeriksa data stasioner. Stasioner dalam rata-rata diperiksa melalui plot data, uji statistik menggunakan tes Augmented Dickey Fuller (ADF), plot Autocorrelation Function (ACF) data dan memeriksa data white noise. Stasioner dalam varian adalah melalui plot dari data. Jika datanya nonstasioner, perbedaan data digunakan.
Ketika data telah diam, fungsi autokorelasi (ACF) dan fungsi autokorelasi parsial (PACF) diterapkan untuk memperkirakan urutan ARIMA. Langkah ketiga adalah memperkirakan dan menguji parameter, untuk mendiagnosis dan menguji residu, dan untuk memilih model terbaik berdasarkan kriteria dari nilai terkecil AIC atau SC. Residu yang diperoleh dari model ARIMA terbaik diperiksa dengan menggunakan uji Lagrange Multiplier (LM) untuk mengetahui apakah mereka memiliki efek ARCH. Jika ada efek ARCH, data dimodelkan dengan menggunakan model ARCH atau GARCH. Langkah keempat adalah memperkirakan dan menguji parameter model dan memperkirakan harga penutupan harian.
BAB 4. RENCANA ANGGARAN BIAYA DAN JADWAL PENELITIAN
4.1. Rencana Anggaran Biaya
Dari uraian yang telah dijelaskan pada bab-bab sebelumnya, untuk mendapatkan hasil penelitian yang baik, akurat dan dapat dipertangungjawabkan penelitian ini dilaksanakan dengan dukungan anggaran (rekapitulasi) diharapkan sebagai berikut:
Tabel 4.1
Rekapitulasi Rencana Anggaran Penelitian
No Keterangan Nominal Persentase
1 Pengadaan alat dan bahan penelitian 3.180.000 21%
2 Biaya perjalanan penelitian 4.770.000 32%
3 Alat tulis kantor/bahan habis pakai 2.400.000 16%
4 Laporan/Diseminasi/Publikasi 9.650.000 31%
Total 15.000.000 100%
Adapun rincian anggaran biaya untuk kebutuhan penelitian dapat dinyatakan dalam tabel sebagai berikut:
Tabel 4.2
Rincian Anggaran Biaya N
o Keterangan Sat Vol Frek Jml
Nominal Total 1 Pengadaan alat dan bahan
penelitian
Sewa Peralatan Rekam Audio visual (Video dan Voice Recorder)
bulan 2 1 2 250.000 1.000.000 Buku Bahan Penelitian paket 1 1 1 900.000 900.000 Penggandaan Instrumen
Penelitian eksemp
lar
80 2 1 8.000 1.280.000
Sub Total 3.180.000
2 Biaya perjalanan penelitian
Sewa Kendaraan Roda Empat unit 1 5 1 300.000 1.500.000 Konsumsi Tim dalam
Pengolahan Data OK 1 3 1 40.000 120.000
Biaya Penginapan dalam
Pelaksanaan Penelitian OH 3 3 1 350.000 3.150.000
Sub Total 4.770.000
3 Alat tulis kantor/bahan
habis pakai
Pembelian ATK dalam
Pelaksanaan Turun Lapang paket 1 1 1 1.200.000 1.200.000 Pembelian ATK dalam
Pengolahan Data paket 1 1 1 1.200.000 1.200.000
Sub Total 2.400.000
4 Laporan/Diseminasi/Publik
asi
Penggandaan Laporan
Kemajuan eksemp
lar
3 1 1 150.000 450.000
Penggandaan Laporan Akhir eksemp lar
5 1 1 150.000 750.000
Penjilidan Laporan Akhir eksemp
lar 5 1 1 45.000 225.000 Publikasi (APC) paket 1 1 1 5.225.000 5.225.000 Terjemah Indonesia-Inggris paket 1 1 1 1.500.000 1.500.000 Proofread Inggris paket 1 1 1 1.500.000 1.500.000
Sub Total 9.650.000
Total 20.000.000
4.2. Jadwal Penelitian
Untuk memastikan tahapan penelitian berjalan lancar, tim peneliti menentukan rencana jadwal penelitian. Berikut adalah rencana kegiatan tim peneliti secara lebih rinci:
Tabel 4.3
Rencana Jadwal Penelitian
No Keterangan Bulan
1 2 3 4 5 6 7 8
1 Persiapan proposal
2 Persiapan Intrumen Penelitian, Proses
penelitian (Turun lapang) dll.
3 Pengolahan Data dan Proses Penelitian 4 Persiapan draf Laporan Perkembangan 5 Laporan Akhir Penelitian 6 Submit Publishkasi Jurnal/seminar
REFERENSI
Ahmad-Zaluki, Nurwati. 2017. Board Characteristics and the Amount of Capital Raised in the Malaysian IPO Market. Journal of Multinational Financial Management.
Ahmed, Tanbir Chowdhury dan Bayezid, Ali Mohammad. 2013. Effect of Dividend on Stock Price in Emerging Stock Market: A Study on the Listed Private Commercial Banks in DSE.
Andersen, T.G., Bollerslev, T. and Diebold, F.X., 2003. Some like it smooth, and some like it rough: Untangling continuous and jump components in measuring, modeling, and forecasting asset return volatility. Modeling, and Forecasting Asset Return Volatility.
Azhar, R., Kesumah, F. S. D., Ambya, A., Wisnu, F. K., & Russel, E. 2020.
Application of short-term forecasting models for energy entity stock price (study on Indika Energi Tbk, JII). International Journal of Energy Economics and Policy, 10(1), 294-301.
Box, G.E. and Pierce, D.A., 1970. Distribution of residual autocorrelations in autoregressive-integrated moving average time series models.
Journal of the American statistical Association, 65(332), pp.1509- 1526.
Brockwell, P. A. 2002. Introduction to Time Series and Forecasting Second Edition. New York: Springer-Verlag New York, Inc.
Fildes, Robert and Goodwin, Paul. 2017. Good and bad judgment in forecasting:Lessons from four companies.
Fama, E.F. and French, K.R., 1988. Dividend yields and expected stock returns. Journal of financial economics, 22(1), pp.3-25.
Hendrawaty, E. Azhar, R. & Kesumah, F.S.D. Sembiring, S.I.O. & Metalia, M. 2021. Modelling and Forecasting Crude Oil Prices during COVID- 19 Pandemic. International Journal of Energy Economics and Policy.
vol. 11(2), pages 149-154.
Kongsilp, Worawuth and Mateus, Cesario. 2015. Volatility Risk and Stock Return Predictability on Global Financial Crises. SSRN Electronic Journal.
Kavasseri, R.G. and Seetharaman, K., 2009. Day-ahead wind speed forecasting using f-ARIMA models. Renewable Energy, 34(5), pp.1388-1393.
Montgomery, D., Jennings, C., & Kulachi, M. 2008. Introduction Time Series Analysis and Forecasting. Hoboken, New Jersey: John Wiley &
Sons Inc.
McCarthy, Teresa M. Byrne, Donna F Davis and Mentzer, John T. 2006.
The Evolution of Sales Forecasting Management: A 20-Year Longitudinal Study of Forecasting Practices. Journal of Forecasting 25(5):303-324.
Tsay, Ruey S.. 2005. Analysis Of Financial Time Series. A Wiley- Interscience Publication John Wiley & Sons, Inc.
Yu, Jung-Suk dan Sanchez, Benito. 2011. Financial development and economic growth: New evidence from panel data. The Quarterly Review of Economics and Finance, 2011, vol. 51, issue 1, 88-104.
