i
Implementasi Model Machine Learning Dalam Memprediksi Return Saham (Studi Kasus Pada Perusahaan yang Terdaftar di LQ45 Periode 2012-2021)
Oleh : Ricky Lie Jaya 11180820000123
PRODI AKUNTANSI
FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH JAKARTA
2022
ii
iii
LEMBAR PENGESAHAN UJIAN KOMPREHENSIF
Hari ini Jumat Tanggal 14 Bulan April Tahun Dua Ribu Dua Puluh Dua telah dilakukan Ujian Komprehensif atas mahasiswa:
1. Nama : Ricky Lie Jaya
2. NIM 11180820000123
3. Jurusan : Akuntansi
4. Judul Skripsi : Implementasi Machine Learning dalam Memprediksi Return Saham (Studi Kasus pada Perusahaan yang terdaftar di LQ45 periode 2012 – 2021)
Setelah mencermati dan memperhatikan penampilan dan kemampuan yang bersangkutan selama proses ujian komprehensif, maka diputuskan bahwa mahasiswa tersebut di atas dinyatakan lulus dan diberi kesempatan untuk melanjutkan ke tahap Ujian Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Akuntansi pada Jurusan Akuntansi Fakultas Ekonomi dan Bisnis Universitas Islam Negeri Syarif Hidayatullah Jakarta.
Jakarta, 14 April 2022
1. Nur Wachidah Yulianti, SE., MS.Ak ( )
NIDN. 2005078501 Penguji I
2. Wilda Farah, M.Si.
NIP. 19830326 200912 2005 ( Penguji II )
iv
v
vi
KATA PENGANTAR
Puji syukur kehadirat Allah SWT. karena dengan rahmat dan hidayahnya penulis dapat menyelesaikan tugas akhir yang ditujukan untuk memenuhi tugas mata kuliah Metodologi Penelitian. Shalawat serta salam tak lupa untuk selalu diucapkan dan disampaikan kepada junjungan baginda Nabi Muhammad SAW. beserta para keluarganya, sahabatnya, dan seluruh pengikut setianya hingga akhir zaman nanti.
Skripsi ini merupakan tugas akhir yang harus diselesaikan sebagai syarat untuk meraih gelar Sarjana Akuntansi Universitas Islam Negeri Syarif Hidayatullah Jakarta.
Penulis menyadari sepenuhnya bahwa banyak pihak yang telah membantu dalam proses penyelesaian skripsi ini. Oleh karena itu, syukur Alhamdulillah penulis haturkan atas kekuatan Allah Subhanallahu Wata’ala yang telah dianugerahkan. Selain itu, penulis juga ingin menyampaikan ucapan terima kasih dan penghargaan yang sebesar- besarnya kepada :
1) Kedua orang tua yang selalu memberikan saran dan dukungan serta do’a yang selalu dilimpahkan kepada penulis.
2) Bapak Prof. Dr. Amilin, M.Si, Ak, CA, QIA, BKP., CRMP. selaku Dekan Fakultas Ekonomi dan Bisnis.
3) Ibu Yessi Fitri, S.E., M.Si., Ak., CA selaku Kaprodi Jurusan Akuntansi Fakultas Ekonomi dan Bisnis UIN Syarif Hidayatullah Jakarta.
4) Ibu Fitri Damayanti S.E., M.Si selaku Sekprodi Jurusan Akuntansi Fakultas Ekonomi dan Bisnis UIN Syarif Hidayatullah Jakarta sekaligus Dosen Pembimbing Akademik yang telah meluangkan waktu dan perhatiannya kepada penulis.
5) Bapak Hepi Prayudiawan, S.E., M.M.,Ak, CA. selaku dosen pembimbing yang senantiasa memberikan arahan mengenai jalannya skripsi.
6) Semua pihak yang terkait dimana penulis tidak dapat menyebutkannya satu- persatu yang membantu terselesaikannya skripsi ini.
vii
Penulis menyadari bahwa skripsi sangat jauh dari kata sempurna dan masih banyak terdapat kesalahan, maka dari itu penulis sangat mengharapkan kritik dan saran dari pembaca sebagai evaluasi bagi diri penulis sendiri dan demi kesempurnaan untuk penelitian-penelitian yang berikutnya.
Jakarta, Agustus 2022
Ricky Lie Jaya
viii DAFTAR ISI
KATA PENGANTAR ... vi
DAFTAR ISI ... viii
DAFTAR GAMBAR ... x
Daftar Tabel ... xi
ABSTRACT ... xii
ABSTRAK... xiii
BAB I PENDAHULUAN ... 1
A. Latar Belakang ... 1
B. Rumusan Masalah... 5
C. Tujuan Penelitian ... 5
D. Manfaat Penelitian ... 5
BAB II TINJAUAN PUSTAKA ... 7
A. Landasan Teori ... 7
1. Teori Signal ... 7
2. Pasar Modal ... 8
3. Investasi Saham ... 9
4. Return on Asset ... 10
5. Return on Equity... 11
6. Long Term Debt to Equity Ratio ... 11
7. Cash Ratio ... 11
8. Current Ratio ... 12
9. Gross Profit Margin ... 12
10. Net Profit Margin ... 12
11. Price to Book Value ... 13
12. Price to Earning Ratio ... 13
13. Asset Turnover ... 13
14. Pertumbuhan Laba... 14
15. Kepemilikan Publik ... 14
ix
16. Dividen Yield ... 14
17. Sektor Saham ... 15
18. Saham Syariah ... 15
19. Fraksi Harga ... 15
20. Market Capitalization (Kapitalisasi Pasar) ... 16
21. Volume Perdagangan Saham ... 16
22. MACD ... 16
23. Stochastic ... 17
24. Jumlah Investor Saham ... 18
25. Variabel Makro Ekonomi ... 18
26. Return Saham ... 19
27. LQ45 ... 19
28. Machine learning ... 20
29. Regresi ... 21
30. Support Vector Regression ... 22
31. Random Forest ... 23
32. Extreme Gradient Boosting ... 24
33. Evaluasi Model ... 25
B. Penelitian Terdahulu ... 26
C. Kerangka Pemikiran ... 29
BAB III METODE PENELITIAN ... 30
A. Populasi dan Sampel ... 30
B. Dataset ... 31
C. Perangkat Penelitian ... 34
D. Metode Penelitian ... 35
E. Bahasa R dan Rstudio ... 35
F. Diagram Alur Penelitian ... 36
G. Analisa Statistik Deskriptif ... 37
H. Data Preprocessing ... 37
I. Splitting Data ... 38
x
J. Training ... 38
K. Evaluasi Model ... 38
BAB IV HASIL DAN PEMBAHASAN ... 40
BAB V PENUTUP ... 65
A. Kesimpulan ... 65
B. KETERBATASAN PENELITIAN ... 66
C. SARAN66 ... 66
Daftar Pustaka ... 68
LAMPIRAN ... 78
DAFTAR GAMBAR Gambar 1.1 Data Perkembangan Jumlah Investor (dalam Jutaan) ... 1
Gambar 2.1 Ilustrasi MACD ... 17
Gambar 2. 2 Ilustrasi Stochastic ... 17
Gambar 2. 3 Ilustrasi Regresi Linear ... 21
Gambar 2. 4 Ilustrasi Support Vector Regression ... 22
Gambar 2. 5 Ilustrasi Random Forest ... 23
Gambar 2. 6 Ilustrasi XGBoost ... 24
Gambar 3. 1 Tampilan Awal RStudio ... 36
Gambar 3. 2 Diagram Alur Penelitian ... 36
Gambar 4. 1 Menginput data ke software Rstudio ... 41
Gambar 4. 2 Boxplot pada Variabel Y ... 42
Gambar 4. 3 Transformasi Format Variabel ... 43
Gambar 4. 4 Penyebaran Variabel Fraksi Harga Saham ... 50
Gambar 4. 5 Penyebaran Variabel Volume Transaksi ... 51
Gambar 4. 6 Penyebaran Variabel MACD ... 51
Gambar 4. 7 Penyebaran Variabel Stochastic ... 52
Gambar 4. 8 Penyebaran Variabel Kapitalisasi Pasar ... 53
xi
Gambar 4. 9 Penyebaran Variable Sektor ... 53
Gambar 4. 10 Penyebaran Variable Syariah/Non Syariah ... 54
Gambar 4. 11 Kode untuk Splitting Data ... 55
Gambar 4. 12 Kode Untuk Melakukan Regresi Linear Pada Rstudio ... 56
Gambar 4. 13 Kode untuk Menjalankan Random forest ... 57
Gambar 4. 14 Kode untuk Menjalankan Support Vector ... 58
Gambar 4. 15 Tahapan model xgboost ... 59
Gambar 4. 16 Tahapan Model XGBoost ... 59
Gambar 4. 17 Tahap Keempat Model Xgboost ... 60
Gambar 4. 18 Kode untuk Prediksi Model ke Data Train dan Data Test ... 60
Gambar 4. 19 Kode untuk Prediksi Saham ... 61
Gambar 4. 20 Perbandingan Grafik dari 4 Algoritma Terhadap Data yang Asli ... 63
Daftar Tabel TABEL 2. 1 Penelitian Terdahulu ... 26
Tabel 3. 1 Rumus Perhitungan Variabel ... 31
Tabel 3. 2 Perangkat Lunak ... 34
Tabel 3. 3 Spesifikasi Perangkat Keras (ASUS X456URK) ... 35
Tabel 4. 1 Analisis Statistik Deskriptif ... 44
Tabel 4. 2 Variabel yang berpengaruh berdasarkan regresi linear ... 56
Tabel 4. 3 Hasil evaluasi akurasi dari empat algoritma ... 62
xii
THE IMPLEMENTATION OF MACHINE LEARNING TO PREDICT STOCK RETURN
ABSTRACT
This study aims to create a model that can predict stock returns with 26 variables.
These variables are Return of Assets, Return of Equity, Long term debt to equity ratio, Net Profit Margin, Gross profit margin, Cash ratio, Current ratio, Price to Book Value, Price to Earning Ratio, Asset Turnover, Profit growth, Public Ownership , Dividend yield, Last year's return, Company sector, Sharia shares, Stock price fraction, Market capitalization, Transaction volume, MACD, Stochastic, Rupiah exchange rate against the dollar, Money supply, Inflation, Number of capital market investors and BI interest rate. The population of this study are companies listed on the LQ45 index of the Indonesia Stock Exchange (IDX) for the period 2012 – 2021. Based on purposive sampling, this study had 442 samples, which in the end became 431 samples after removing 11 outlier samples.
The research method in this study uses a machine learning model using the R language and Rstudio software. The results of this study show that of the 26 variables tested, only 6 variables are significant to stock returns, namely the number of capital market investors, price fraction, transaction volume, long term debt to equity ratio, exchange rate, BI interest rate, and money supply.
Based on testing of 4 machine learning models consisting of Random Forest linear regression, Support Vector regression, and Extreme Gradient Boosting; there is no model that gets a good predicate when tested on test data.
Keyword : Machine Learning, Stock Return, Linear Regression, XGBoost, SVR, Random Forest, Financial Report Analysis
xiii
IMPLEMENTASI MACHINE LEARNING DALAM MEMPREDIKSI RETURN SAHAM
ABSTRAK
Penelitian ini bertujuan untuk membuat model yang bisa memprediksi return saham dengan 26 variabel. Variabel tersebut yaitu Return of Asset, Return of Equity, Long term debt to equity ratio, Net Profit Margin, Gross profit margin, Cash ratio, Current ratio, Price to Book Value, Price to Earning Ratio, Asset Turnover, Pertumbuhan laba, Kepemilikan Publik, Dividen yield, Return tahun lalu, Sektor perusahaan, Saham syariah, Fraksi harga saham, Kapitalisasi pasar, Volume transaksi, MACD, Stochastic, Kurs rupiah terhadap dollar, Jumlah uang beredar, Inflasi, Jumlah investor pasar modal dan Suku bunga BI. Populasi penelitian ini adalah perusahaan yang terdaftar di indeks LQ45 Bursa Efek Indonesia (BEI) periode 2012 – 2021.
Berdasarkan purposive sampling, penelitian ini memiliki 442 sampel, yang pada akhirnya menjadi 431 sampel setelah menghapus 11 sampel outlier.
Metode penelitian dalam penelitian ini menggunakan model machine learning dengan menggunakan Bahasa R dan software Rstudio. Hasil penelitian ini menunjukan dari 26 variabel yang diuji, hanya 6 variabel yang signifikan terhadap return saham, yaitu Jumlah investor pasar modal, Fraksi harga, Volume transaksi, Long term debt to Equity ratio, Kurs, Suku Bunga BI, dan Jumlah Uang beredar.
Berdasarkan pengujian 4 model machine learning yang terdiri dari Regresi linear Random Forest, Support Vector regression, dan Extreme Gradient Boosting; tidak ada model yang mendapatkan predikat baik apabila diuji pada data test.
Kata Kunci : Machine Learning, Return Saham, Regresi Linear, XGBoost, SVR, Random Forest, Analisis Laporan Keuangan
1 BAB I PENDAHULUAN
A. Latar Belakang
Investasi saham merupakan kegiatan yang sedang popular selama beberapa tahun terakhir. Selama tiga tahun erakhir telah terjadi peningkatan jumlah investor yang cukup signifikan, baik itu Investor Institusi ataupun Investor Perorangan (Ritel).
Tahun 2020 merupakan tahun terbaik bagi kebangkitan investor ritel di Indonesia, Direktur Pengembangan BEI, Hasan Fawzi melalui kanal bisniscom mengatakan bahwa telah terjadi peningkatan Single Identification Card (SID) yang signifikan, yaitu sebesar 48,82% atau 1,2 juta SID. Hal ini tentu menandakan bahwa masyarakat Indonesia sudah mulai sadar untuk berinvestasi, terutama investasi di saham dan reksa dana.
Berdasarkan data dari Kustodian Sentral Efek Indonesia (KSEI) jumlah investor saham di Indonesia per akhir Desember 2020 mencapai 3.871.248.
Berdasarkan data dari Otoritas Jasa Keuangan (OJK), sebanyak 54,8% dari total investor di tanah air adalah mereka yang berusia dibawah 30 tahun. Menurut World Bank Peningkatan jumlah investor di pasar modal ini tentu berdampak baik bagi perekonomian, sehingga kita berharap agar bisa terus meningkat untuk tahun tahun ke depan.
Gambar 1.1
Data Perkembangan Jumlah Investor (dalam Jutaan)
2
Sumber : diolah dari berbagai sumber, 2022
Investasi saham pada dasarnya adalah sarana menumbuhkan asset melalui investasi saham, baik itu berupa return saham ataupun dividen (IAI, 2018). Return saham adalah keuntungan yang diperoleh dari selisih harga saham saat ini dengan saat beli. Dividen adalah bagi hasil keuntungan yang diberikan oleh perusahan kepada investornya. Dengan dua potensi keuntungan tersebut, Investasi saham dapat menjadi sumber pendapatan pasif yang baik untuk masyarakat (Desmond Wira, 2019). Kendati demikian, terdapat beberapa risiko dalam investasi saham. Bentuk risiko yang paling sering terjadi adalah penurunan nilai saham (Raharjo, 2006:9). Penurunan nilai saham terjadi ketika saham yang dibeli harganya terus menurun, sehingga nilai asset saham yang kita miliki semakin berkurang.
Permasalahan berikutnya dalam investasi saham menurut Tanto & Kurniawan (2022) adalah tingkat kesulitan yang cukup tinggi untuk memilih saham untuk diinvestasikan. Sulitnya memilih saham disebabkan oleh banyaknya saham yang tersedia di pasar modal. Saat ini terdapat 778 emiten yang melantai di bursa efek Indonesia dengan sektor dan latar belakang yang bermacam-macam . Penyebab kedua
3
sulitnya investasi saham yaitu terbatasnya modal yang dimiliki, dan terakhir yaitu kurangnya pengetahuan tentang investasi saham.
Dalam berinvestasi di pasar modal, ada ilmu dan pengetahuan yang harus disiapkan sebelum terjun. Saat ini ada banyak cara formula yang sudah dikembangkan untuk melakukan analisis terhadap suatu emiten. Formula investasi saham yang cukup terkenal yaitu Greenblat Magic Formula dari Joel Greenblat, ada pula Value Investing dari Benjamin Graham, dan juga ada dari Indonesia yaitu Astrologi Fibonacci dari Gema Goeyardi. Dari sekian banyaknya cara analisis saham, dapat dikelompokan menjadi dua aliran yaitu
1. Analisa Fundamental, yaitu metode penelitian yang mempelajari informasi keuangan dasar untuk memprediksi laba, penawaran dan permintaan, kekuatan industri, kemampuan manajemen, dan hal-hal intrinsik lainnya yang mempengaruhi nilai pasar saham dan potensi pertumbuhan perusahaan di masa depan (Thomsett, 1998:2)
2. Analisa Teknikal, yaitu metode pengevaluasian saham, komoditas, ataupun sekuritas lainnya dengan cara menganalisis statistik yang dihasilkan oleh aktivitas pasar di masa lampau guna memprediksikan harga di masa mendatang (Edianto, 2016:1)
Walapun sudah banyak cara analisis saham yang tersedia, untuk melakukan analisis saham membutuhkan proses yang lama dan belum tentu berhasil (Tanto &
Kurniawan, 2022). Hal itu disebabkan oleh harga saham yang sifatnya sulit diprediksi.
Banyak faktor yang mempengaruhi perubahan harga saham, faktor tersebut bisa berasal dari eksternal seperti kondisi makroekonomi ataupun kebijakan dari pemerintah. Faktor lain yaitu yang berasal dari internal seperti kinerja perusahaan dan ataupun kondisi keuangan perusahaan. Dengan kondisi demikian, perlu adanya suatu pendekatan baru yang lebih mudah, salah satunya yaitu dengan memanfaatkan Artificial Intelligence atau kecerdasan buatan mengunan model Machine Learning (Fauzi, 2019).
4
Machine Learning (ML) adalah aplikasi kecerdasan buatan yang membuat sistem memiliki kemampuan belajar yang berjalan secara otomatis kemudian dapat meningkatkan kemampuannya berdasarkan pengalaman tanpa deprogram secara ekplisit (Kusuma, 2020:1). Menurut ilustrasi yang terdapat pada situs ibm.com, ML merupakan salah satu sub bagian dari Artificial Intelligence (AI), pendekatannya berupa mempelajari pola dari data yang kemudian diingat dalam memori dalam bentuk model, dan model tersebut digunakan untuk memprediksi data yang baru. Oleh karena itu untuk membuat model machine learning diperlukan dataset yang dijadikan proses training, serta dataset yang dijadikan contoh bahan uji untuk menghitung seberapa akurat model tersebut. Contoh penerapan ML yang sekarang sudah banyak adalah model pendeteksian penyakit jantung, alat prediksi cuaca, sistem untuk memprediksi jumlah pelanggan dan masih banyak lagi.
Dalam machine learning terdapat banyak algoritma, dan algoritma-algoritma tersebut dapat dikelompokan kedalam tiga kelompok, yaitu Supervised Learning, Unsupervised Learning dan Reinforcement Learning. Supervised Learning merupakan algoritma machine learning yang cara kerjanya dengan mempelajari pola data historis untuk memprediksi data yang baru. Unservised Learning adalah algoritma yang mempelajari pola dataset untuk mengklasifikasikan ke beberapa kelompok yang memiliki kesamaan karakteristik, unsupervised learning cocok dalam membuat model untuk menentukan segmentasi pasar. Dan yang terakhir ada Reinforcement Learning yaitu algoritma yang mempelajari bagaimana pola variable-variable x bekerja sehingga bisa menghasilkan variable Y, model ini akan mempelajari terus sampai ketemu pola yang menghasilkan hasil tertinggi. (Thomsett, 1998) yang dikutip dari ( Button &
Barto, 2018)
Dengan latar belakang diatas maka saya tertarik untuk membuat penelitian dengan judul Implementasi Machine Learning Dalam Memprediksi Return Harga Saham. Untuk membuat model yang bertujuan untuk memprediksi return harga saham berbasis ML tersebut, maka penelitian ini menggunakan algoritma supervised learning
5
dengan beragam algoritma yang tersedia dan nantinya akan dipilih mana algoritma yang menghasilkan tingkat akurasi tertinggi.
B. Rumusan Masalah
1. Apa saja variabel yang tersedia pada awal tahun yang berpengaruh terhadap return saham di akhir tahun ?
2. Apakah model machine learning bisa diimplementasikan untuk memprediksi return saham ?
3. Apa model Machine Learning terbaik yang bisa digunakan untuk memprediksi return saham di akhir tahun ?
C. Tujuan Penelitian
Berdasarkan perumusan masalah di atas, penelitian ini bertujuan untuk menemukan bukti empiris atas hal-hal sebagai berikut :
1. Pengaruh dua puluh enam variabel yang tersedia di awal tahun terhadap return saham di akhir tahun
2. Kemampuan model machine learning untuk memprediksi return saham
3. Model machine learning terbaik yang bisa digunakan untuk memprediksi return saham
D. Manfaat Penelitian
Manfaat penelitian ini adalah : a. Kontribusi Teoritis
1) Mahasiswa Fakultas Ekonomi, penelitian ini bermanfaat sebagai bahan referensi untuk penelitian selanjutnya, dan menjadi perbandingan untuk menambah ilmu pengetahuan terkait return saham
2) Bagi peneliti selanjutnya, hasil penelitian ini bisa menjadi acuan untuk membuat model serupa yang berbasis machine learning
6
3) Bagi penulis, hasil penelitian ini bisa penulis pakai untuk kegiatan investasi pribadi, serta meningkatkan pengetahuan penulis mana saja yang paling berpengaruh terhadap return harga saham.
b. Kontribusi Praktis
1) Bagi investor retail, hasil penelitian ini dapat dipakai untuk investasi saham di Pasar Modal Indonesia
2) Bagi perusahaan yang go public, hasil penelitian ini dapat menjadi acuan mengenai elemen mana yang lebih perlu diperhatikan untuk meningkatkan nilai perusahaan.
7 BAB II
TINJAUAN PUSTAKA A. Landasan Teori
1. Teori Signal
Teori Signal merupakan salah satu teori akuntansi yang menyatakan bahwa pengungkapan informasi oleh perusahaan dapat mempengaruhi harga sekuritas emiten tersebut (Rokhlinasari, 2015). Williams dalam (Lestarik &
Sapitri, 2016) menambahkan jika teori signal mengindikasikan bahwa setiap perusahaan selalu berusaha untuk menunjukan sinyal yang positif kepada investor, agar pasar juga selalu menghasilkan respon yang positif berupa kenaikan harga saham da akan terlihat dalam volume perdagangan.
Berdasarkan penjelasan diatas maka dapat disimpulkan bahwa perusahaan cenderung berusaha untuk menutupi informasi negatif agar harga saham perusahaan tidak mengalami penurunan.
Teori signal juga menjelaskan bahwa tujuan pemberian sinyal berupa informasi oleh perusahaan melalui manajer adalah untuk mengurangi asimetri informasi (Setyaningsih, 2008). Hadri (dalam Setyaningsih) menambahkan bahwa dengan adanya teori sinyal banyak menguntungkan investor dan pihak eksternal sebagai pembaca laporan keuangan. Dengan adanya informasi yang dikeluarkan oleh perusahaan, maka investor menjadi lebih diuntungkan, karena dapat dijadikan sebagai dasar untuk pengambilan keputusan yang lebih matang lagi.
Rokhlinasari (2015) menambahkan bahwa salah satu jenis informasi yang dapat menjadi signal baik atau buruk oleh para investor adalah Laporan Tahunan yang dikeluarkan oleh perusahaan. Apabila didalam laporan tahunan terdapat informasi informasi positif mengenai perusahaan, tentu menjadi sinyal yang baik bagi investor ataupun calon investor. Sedangkan apabila didalam laporan tahunan terdapat informasi yang negatif, maka itu menjadi sinyal yang
8
negatif. Contoh informasi yang positif adalah peningkatan laba, pencapaian target atau penghargaan tahunan, dan lain lain. Dan contoh informasi negatif adalah perusahaan mengalami kerugian, investor menarik dana dan lain lain.
Selain informasi dari laporan tahunan, investor juga bisa mendapat informasi dari berita dan bursa efek Indonesia yang bisa dijadikan sinyal positif ataupun negatif. Informasi dari berita yang positif contohnya seperti kesepakatan dengan tender baru, ada investor besar yang ingin menyuntikan dana, ataupun ada kebijakan pemerintah yang berpotensi meningkatkan bisnis perusahaan di masa depan. Sedangkan berita negatif contohnya ada tindakan KKN dari jajaran direksi perusahan, proyek mangkrak dan lain lain. Informasi dari bursa efek juga bisa menjadi sinyal positif ataupun negatif, yang bisa menjadi sinyal positif contohnya pengangkatan perusahaan menjadi anggota indeks LQ45, sedangkan yang bisa menjadi sinyal negatif adalah pemberhentian sementara perdagangan suatu emiten.
2. Pasar Modal
Menurut UU No 8 th 1995 tentang pasar modal, Pasar Modal adalah kegiatan yang bersangkutan dengan Penawaran Umum dan perdagangan Efek, Perusahaan Publik yang berkaitan dengan Efek yang diterbitkannya, serta lembaga dan profesi yang berkaitan dengan Efek. Pasar modal merupakan tempat dilaksanakannya jual beli instrumen – instrumen keuangan jangka panjang seperti utang, ekuitas, instrument derivative dan berbagai instrument lainnya (Sihotang & Mekel, 2015). Di Indonesia pasar modalnya bernama Bursa Efek Indonesia atau Indonesia Stock Exchange. Untuk dapat bertransaksi di pasar modal Indonesia harus melalui perusahaan sekuritas yaitu Lembaga yang diberikan izin untuk menjadi perantara perdagangan efek, penjamin emisi efek atau kegiatan lain yang ditetapkan pengawas pasar modal. Berdasarkan data dari Otoritas Jasa Keuangan (OJK) per agustus 2020 jumlah perusahaan sekuritas di Indonesia berjumlah seratus dua puluh tiga.
9
Pasar modal merupakan pasar yang efisien, karena menurut Emery, et al (dalam Suganda, 2018:66) pasar yang efisien adalah pasar yang memenuhi kondisi sebagai berikut :
a. Tidak adanya hambatan untuk masuk ke dalam pasar.
b. Terbentuknya kompetisi yang sempurna.
c. Aset atau saham yang diperjualbelikan dapat diperoleh oleh semua pihak d. Tidak terdapatnya biaya transaksi.
e. Semua informasi tersedia dan dapat diperoleh oleh semua pihak tanpa adanya biaya tertentu (terutama sejak adanya internet).
f. Tidak adanya perbedaan biaya pajak.
g. Tidak adanya pengaruh dari pemerintah atau campur tangan pihak lain yang mempengaruhi sistem perdagangan di bursa.
Karna Pasar modal termasuk pasar efisien maka di dalam transaksi pasar modal berlaku hipotesis pasar efisien. Menurut Sidharta dalam (Eliyawati dkk, 2014), terdapat tiga kategori hipotesis, yaitu :
1. Hipotesis bentuk lemah, menyatakan bahwa harga saham mencerminkan semua informasi mengenai harga saham di masa lalu.
2. Hipotesis bentuk agak kuat, yaitu hipotesis bentuk lemah ditambah informasi yang tersedia yang relevan bagi perusahaan.
3. Hipotesis bentuk kuat, yaitu hipotesis agak kuat ditambah informasi yang hanya tersedia untuk orang dalam perusahaan atau kelompok tertentu.
Berdasarkan hasil penelitian Eliyawati, Efisiensi pasar modal Indonesia termasuk yang lemah.
3. Investasi Saham
Investasi menurut Kamus Besar Bahasa Indonesia (KBBI) adalah penanaman uang atau modal dalam suatu perusahaan atau proyek dengan tujuan memperoleh keuntungan. Sedangkan definisi saham menurut KBBI yaitu surat bukti pemilikan bagian modal perseroan terbatas yang memberi hak atas
10
dividen dan lain lain menurut besar kecilnya modal yang disetor. Berdasarkan definisi diatas dapat disimpulkan bahwa investasi saham adalah penanaman uang atau modal pada suatu perusahaan melalui bukti pemilikan modal dengan tujuan untuk memperoleh keuntungan berupa dividen dan kenaikan harga.
Investasi saham merupakan salah satu bentuk investasi yang dapat memberikan keuntungan yang tinggi (Pratama, Adikara & Adinugroho, 2018).
Hal ini didukung dengan cukup banyak orang yang mencapai financial freedom hanya dengan fokus berinvestasi saham, yang terkenal di dunia ada Warrant Buffet, dan di Indonesia juga ada Lo Kheng Hong yang dijuluki Bapak Saham Indonesia. Namun dibalik peluang keuntungan yang tinggi, tentu dibarengi dengan resiko yang tinggi pula. Investasi saham juga merupakan kegiatan beresiko tinggi karena apabila tidak dibekali kemampuan analisis dan ilmu yang cukup, maka uang yang kita investasikan di saham besar kemungkinan tidak akan bertambah, dan bahkan uang kita secara berangsur angsur bisa berkurang.
Untuk meminimalisir resiko tersebut, maka calon investor terlebih dahulu harus dibekali kemampuan analisis yang mumpuni untuk memprediksi pergerakan saham di masa depan. Teknik analisis pergerakan saham di masa depan bisa menggunakan analisis laporan keuangan, analisis makroekonomi, analisis harga wajar saham, dan analisis teknikal. Cara untuk mengukur seberapa berhasil analisis yang kita buat bisa dengan menghitung return atau imbal hasil saham, yaitu persentase perubahan harga dari sejak kita beli sampai waktu yang sudah kita rencanakan. Semakin tinggi dan positif return saham yang kita investasikan maka semakin cemerlang analisis yang kita lakukan.
4. Return on Asset
Return on asset (ROA) menurut Hanafi (2008:42) yang dikutip dari Mangantar dkk (2020) adalah Rasio yang mengukur kemampuan perusahaan
11
untuk menghasilkan Profit dengan menggunakan seluruh aset (aset) perusahaan setelah disesuaikan dengan biaya pembiayaan aset tersebut. Rumus menghitung Return on Asset menurut Marshall Grave dalam Investopedia.com adalah Total laba bersih dibagi dengan total asset. Marshall menambahkan ROA dengan nilai diatas 5% dapat dikatakan baik, dan apabila lebih dari 20% dapat dikatakan sangat baik.
5. Return on Equity
Return on equity (ROE) menurut Mursidah et. al (2011:46) dalam Mangantar dkk (2020) adalah rasio yang menunjukan bagaimana manajemen mendapatkan keuntungan dari modal yang diberikan oleh pemilik perusahaan.
Rumus menghitung ROE menurut Jason Fernando dalam Investopedia.com adalah Total laba bersih dibagi dengan Rata-rata ekuitas pemegang saham.
Jason menambahkan bahwa sama seperti rasio lainnya, untuk mengetahui baik atau buruknya ROE, harus dibandingkan dengan industri yang sejenis.
6. Long Term Debt to Equity Ratio
Long term debt to equity ratio adalah rasio yang digunakan untuk mengukur rasio utang tidak lancar terhadap modal Hery (2016) dalam Farah dkk (2021). Long term Debt to Equity Ratio (DER) menurut Sujarweni (2017) dalam Jufrizen dkk (2019) adalah bagian dari modal perusahaan yang digunakan sebagai jaminan utang tidak lancar. Berdasarkan definisi diatas, rumus long term debt to equity ratio adalah total utang tidak lancar dibagi dengan total ekuitas.
7. Cash Ratio
Cash Ratio merupakan rasio yang mengukur kemampuan perusahaan untuk membayar hutang jangka pendek (Tjhoa, 2020). Sedangkan menurut Karjono (2019), Cash ratio adalah rasio yang mengukur kemampuan perusahaan untuk memenuhi hutang jangka pendeknya (kewajiban lancar)
12
melalui jumlah kas dan setara kas (seperti giro dan simpanan lainnya dalam sebuah bank) yang dimiliki oleh perusahaan. Karjono menambahkan bahwa cash ratio yang tinggi akan memberi keyakinan pada perusahaan untuk memberikan dividen kepada para investornya.
8. Current Ratio
Current Ratio adalah rasio yang menunjukkan kemampuan aset lancar menjamin pembayaran kewajiban jangka pendek (Priliyastuti & Stella, 2017).
Menurut Chandra & Putri (2021), current ratio mengukur kemampuan perusahaan untuk memenuhi kewajiban lancar ketika sudah jatuh tempo.
Chandra menambahkan semakin tinggi current ratio maka perusahaan semakin baik untuk dapat melunasi kewajiban jangka pendeknya.Analisis Penerapan Good Corporate Governance
9. Gross Profit Margin
Gross Profit Margin (GPM) adalah perbandingan penjualan bersih dikurangi biaya penjualan dengan penjualan bersih, atau rasio laba kotor terhadap penjualan bersih (Martono, 2014) yang dikutip dalam Inayah &
Munandar (2021). Menurut Indriani et al (2020) dalam Kurniawan & Ariawan (2022), GPM dapat menjadi ukuran kemampuan perusahaan untuk mengelola persediaan atau biaya operasional. Menurut Hery (2018) dalam Inayah &
Munandar (2021) standar gross profit margin industri adalah 30%.
10. Net Profit Margin
Net Profit Margin (NPM) menurut Alexandri (2008:200) dalam Tompodung (2014) adalah rasio yang digunakan untuk mengukur kemampuan perusahaan menghasilkan laba bersih setelah pajak. Alexandri menambahkan bahwa semakin tinggi rasio ini maka semakin besar kemungkinan perusahaan menghasilkan laba yang tinggi. Rizky et al (2018) dalam Kurniawan & Ariawan
13
(2022) menambahkan bahwa NPM mengukur persentase penjualan setelah dikurangi semua biaya, termasuk bunga, pajak, dan dividen saham preferen.
11. Price to Book Value
Price to Book Value adalah rasio harga pasar saham terhadap nilai bukunya (Hayati, 2013). Menurut Ardiyanto dkk (2020) dalam Christiana &
Putri (2021), Price to Book Value (PBV) adalah rasio yang digunakan untuk menggolongkan suatu saham apakah harga saham tersebut termasuk mahal atau murah. Ardiyanto menambahkan bahwa dengan menggunakan PBV maka investor dapat mengetahui bagaimana sentimen pasar terhadap perusahaan tersebut pada waktu yang akan datang.
12. Price to Earning Ratio
Price to Earning ratio (PER) adalah rasio harga pasar saham terhadap nilai Laba per lembar dari saham yang bersangkutan (Pramadani, 2019).
Pramadani menambahkan bahwa PER digunakan para investor untuk memprediksi nilai saham dan sebagai alat ukur untuk memperkirakan tingkat pengembalian yang diharapkan. Menurut Ramadhani dalam Digdowiseiso &
Putri (2022) nilai ideal PER berkisar antara 20 sampai 25 kali lipat dari penghasilan dan harus disesuaikan juga dengan sektor dari setiap perusahaan.
13. Asset Turnover
Asset Turnover atau perputaran asset adalah rasio yang digunakan untuk menilai kemampuan total aset dalam menghasilkan penjualan dari suatu perusahaan (Setiawan , 2015). Menurut (Hery, 2017) yang dikutip dari Utami
& Welas (2019), Asset Turnover adalah rasio yang digunakan untuk mengukur berapa jumlah penjualan yang akan dihasilkan dari setiap aset yang dimiliki perusahaan. Hery menambahkan bahwa Semakin tinggi rasio ini maka semakin baik bagi perusahaan, karena menunjukkan semakin efisien penggunaan asset.
14 14. Pertumbuhan Laba
Pertumbuhan laba adalah salah satu alat ukur yang digunakan untuk menilai suatu kinerja didalam suatu perusahaan (Kalbuana dkk, 2020). Menurut Silfi (2016), Pertumbuhan laba dapat mempengaruhi kualitas laba suatu perusahaan, karena jika suatu perusahaan memiliki laba yang terus tumbuh, maka kinerja keuangan perusahaan tersebut dapat dikatakan baik. Irmayanti (2011) dalam Silfi (2016) menambahkan bahwa pertumbuhan laba merupakan persentase suatu kenaikan atau penurunan laba tahunan.
15. Kepemilikan Publik
Kepemilikan Publik adalah proporsi kepemilikan (saham) yang dimiliki oleh masyarakat umum diluar manajemen dan stakeholder (Rindawati & Asyik, 2015). Menurut Ridwan & Berlian (2003) dalam Arifulsyah (2016), Kepemilikannya bisa oleh sebuah kelompok yang besar yang tidak memiliki hubungan dengan individu dan atau suatu lembaga investasi. Mereka menambahkan bahwa dengan adanya investor dari kalangan masyarakat, maka perusahaan mendapatkan pengawasan yang lebih dari masyarakat yang memiliki hak dari perusahaan terkait.
16. Dividen Yield
Dividen adalah laba perusahaan yang dibagikan kepada para pemegang saham dalam jumlah yang didasarkan dengan jumlah lembar saham yang dimiliknya (Oktaviani & Mulya, 2018). Menurut Adam Hayes dalam Investopedia.com, dividend biasanya dibagikan dalam bentuk kas. Sedangka Dividen Yield adalah Total dividen yang dibagikan pada tahun sebelumnya (Cahyaningrum dkk, 2022). Cahyaningrum menambahkan bahwa dividend yield adalah rasio dividend per saham dibagi dengan harga saham pada waktu yang bersangkutan.
15 17. Sektor Saham
Pada tanggal 25 Januari 2021, Bursa Efek Indonesia (BEI) mulai menerapkan Indonesia Stock Exchange Industrial Classification (IDX-IC).
Dilansir dari IDX Channel klasifikasi BEI ini bertujuan untuk memberikan panduan kepada investor tentang kelompok perusahaan berdasarkan eksposur pasar yang sejenis. IDX-IC saat ini membagi seluruh saham di BEI menjadi 12 Sektor, 35 Sub Sektor, 69 Industri dan 130 Subindustri. 12 Sektor berdasarkan IDX-IC adalah Energi, Barang Baku, Perindustrian, Barang Konsumen Primer, Barang Konsumen Non Primer, Kesehatan, Keuangan, Properti & Real Estat, Teknologi, Infrastruktur, Transportasi & Logistik dan Produk Investasi Tercatat.
18. Saham Syariah
Menurut definisi dari idxislamic, Saham syariah merupakan efek berbentuk saham yang tidak bertentangan dengan prinsip syariah di Pasar Modal. Saham termasuk kategori Syariah apabila tidak melakukan kegiatan usaha yang melanggar syariah (Perjudian, Jasa Ribawi, Perdagangan yang dilarang, Jual beli Risiko, berkaitan dengan barang/jasa haram dan Transaksi suap (Risywah) dan memenuhi rasio-rasio keuangan yang sudah ditetapkan (utang berbasis bunga berbanding total aset dibawah 45% dan total pendapatan non halal dibawah 10%). Saat ini terdapat 4 Indeks Saham Syariah, yaitu Indeks Saham Syariah Indonesia (ISSI), Jakarta Islamic Indeks (JII), JII70 dan IDX- MES BUMN 17.
19. Fraksi Harga
Berdasarkan Surat Keputusan (SK) Direksi BEI nomor Kep- 00023/BEI/04-2016, per 2 Mei 2016 BEI membagi saham-saham menjadi lima berdasarkan fraksi harga. Untuk saham dengan harga Rp 50-200, fraksi harganya Rp 1. Sedangkan saham dengan harga Rp 200–500, fraksinya Rp 2.
Adapun rentang saham dengan harga Rp 500–2.000 memiliki fraksi harga Rp
16
5. Untuk rentang harga Rp 2.000–5.000, fraksinya Rp 10. Terakhir, untuk saham dengan harga di atas Rp 5.000, fraksi harganya Rp 25.
20. Market Capitalization (Kapitalisasi Pasar)
Market Capitalization (Market Cap) atau kapitalisasi pasar adalah harga pasar saham saat ini dikalikan dengan jumlah saham yang beredar (Pramudita, 2014). Pramudita menambahkan bahwa saham saham yang diperdagangkan di bursa bisa dikelompokan menjadi 3 berdasarkan kapitalisasi pasar, yaitu kapitalisasi besar (big-cap), kapitalisasi sedang (mid-cap), dan kapitalisasi kecil (small cap). Menurut Puspitasari A, dkk (2015), Market cap akan meningkat apabila terjadi peningkatan harga saham, begitu pula sebaliknya akan berkurang apabila harga saham terjadi penurunan. Menurut Jason Hall (2022) melalui situs matleyfool.com, terdapat tiga kategori pembagian saham berdasarkan kapitalisasi pasar. Kapitalisasi besar yaitu dengan saham dengan kapitalisasi pasar diatas $10 Miliar, kapitalisasi sedang yaitu saham dengan kapitalisasi pasar antara $2 Miliar sampai $10 Miliar, kapitalisasi kecil yaitu saham dengan kapitalisasi dibawah pasar $2 Miliar.
21. Volume Perdagangan Saham
Volume perdagangan adalah jumlah transaksi saham yang diperjualbelikan pada waktu tertentu (Indarti & Purba, 2011). Indarti menambahkan bahwa Kegiatan perdagangan saham dalam volume yang sangat tinggi dapat diartikan sebagai tanda pasar akan membaik (bullish). Sehingga pada penelitian kali ini, volume saham terbagi menjadi 3, indikasi naik (bullish), normal dan indikasi turun (bearish).
22. MACD
MACD menurut Jason Fernando di Investopedia adalah indikator momentum tren yang menunjukkan hubungan antara dua rata-rata pergerakan harga. MACD dihitung dengan mengurangi rata-rata pergerakan eksponensial
17
(EMA) 26 periode dari EMA 12 periode. Kegunaan MACD menurut Prasetyo dkk (2019) adalah untuk menunjukan arah tren harga saham dan menentukan kondisi jenuh beli (overbought) atau jenuh jual (oversold). Edianto Ong (2016:342) mengatakan jika garis MACD di area overbought menandakan sinyal bearish, sedangkan jika di area oversold menandakan sinyal bullish.
Gambar 2.1 Ilustrasi MACD
sumber: researchgate.net 2016 23. Stochastic
Stochastic adalah sebuah indikator yang berfungsi untuk mengukur kejenuhan pasar (Iqbal, 2020). Edianto Ong (2016:319) menyebutkan bahwa stochastic menampilkan dua garis dalam osilator yang disebut garis %K dan garis %D. kedua garis ini berkisar antara skala vertical 0-100. Edianto menambahkan apabila area stochastic diatas 80 disebut jenuh beli sedangkan apabila area stochastic dibawah 20 disebut jenuh jual.
Gambar 2. 2 Ilustrasi Stochastic
18
sumber inbizia.com 24. Jumlah Investor Saham
Investor adalah orang atau badan hukum yang memiliki uang untuk melakukan investasi atau penanaman modal (Usman, 1997:45) dalam Mahendratama dkk (2012). Sedangkan Investor saham menurut Desmond Wira (2019:26) adalah seseorang yang membeli saham kemudian menyimpannya dalam waktu yang lama. Jumlah Investor saham adalah banyaknya orang yang melakukan kegiatan investasi saham di pasar modal.
25. Variabel Makro Ekonomi
Makro ekonomi menurut kamus oxford adalah cabang ilmu ekonomi yang membahas tentang sistem ekonomi dengan cakupan yang luas seperti ekonomi dalam satu negara, atau satu area belahan dunia tertentu. Makro ekonomi juga dapat diartikan berupa studi tentang perekonomian secara menyeluruh, termasuk pendapatan nasional dan perubahan harga (Ardiansyah
& Lubis, 2017). Berdasarkan dua definisi diatas maka analisis makroekonomi dapat diartikan berupa analisis terhadap kondisi perekonomian suatu negara atau suatu wilayah. Variabel Makroekonomi menurut Nizar (2012) adalah laju inflasi, jumlah uang beredar, nilai tukar riil rupiah terhadap US dolar dan suku bunga.
19
Berdasarkan hasil penelitian dari Harsono & Worokinasih (2018) dan hasil penelitian dari Yusnita (2014), dinyatakan bahwa Nilai tukar rupiah berpengaruh signifikan terhadap IHSG. Kemudian menurut Armereo &
Andriyani (2016) dan Juhono & Ahmad (2009) menyatakan bahwa ada pengaruh antara Inflasi dengan IHSG. Kemudian berdasarkan hasil penelitian Kusharfitri (2016) dan hasil penelitian Rahmatika (2017), dinyatakan bahwa Jumlah uang yang beredar berpengaruh positif dan signifikan terhadap IHSG. Menurut hasil penelitian Yustisia, N (2016) dan hasil penelitian Taufiq
& Sufa Kefi (2015), dinyatakan bahwa suku bunga (BI Rate) berpengaruh signifikan terhadap IHSG.
26. Return Saham
Return saham adalah keuntungan yang didapatkan oleh individu, institusi, dan perusahaan dari hasil keputusan investasi yang dilakukannya (Handayati dkk, 2018). Handayati menambahkan bahwa dalam dunia investasi terdapat hubungan garis lurus antara risk dan return. Risk atau resiko yang tinggi maka akan menghasilkan return atau imbal hasil yang tinggi. Sebaliknya, resiko yang rendah makan akan menghasilkan imbal hasil yang rendah.
Menurut Istiqoma (2018) dalam Warizal dkk (2019) menyebutkan bahwa return saham didapatkan dengan menghitung selisih kenaikan atau penurunan harga saham. Berdasarkan definisi diatas, maka dapat diilustrasikan apabila harga saat ini Rp 1.000 perlembar dan harga sebelumnya Rp. 800 maka return sahamnya adalah Rp. 200 atau 25%. Menurut Jogiyanto (2000) dalam Mangantar dkk (2020), return saham dapat dibedakan menjadi dua, yaitu return realisasi dan return ekspektasi.
27. LQ45
Indeks LQ45 adalah indeks pasar saham di Bursa Efek Indonesia (BEI) yang terdiri dari 45 perusahaan yang memenuhi beberapa kriteria tertentu (Indayani & Darsyah, 2018). Indayani menambahkan bahwa Indeks LQ45
20
memiliki pengaruh terhadap harga-harga saham mahal. Menurut Ginting (2018), perusahaan yang masuk ke dalam indeks LQ45 adalah perusahaan yang mempunyai nilai kapitalisasi pasar dan likuiditasnya paling besar. Setiap enam bulan sekali, BEI akan melakukan kajian ulang terhadap emiten-emiten yang layak masuk LQ45. Setiap bulan februari dan bulan agustus akan ada emiten baru dan emiten yang dikeluarkan dari LQ45.
28. Machine learning
Machine Learning adalah salah satu dari banyak cabang ilmu Aritificial Intellegence yang membahas pembangunan sistem berdasarkan data data yang ada (Zailani dkk, 2020). Gotama Putra (2020:5) menambahkan bahwa inti dari machine learning adalah untuk membuat model (matematis) yang merefleksikan pola-pola data, dan dalam praktiknya banyak berhubungan dengan ilmu statistika dan aljabar linier. Ciri khas machine learning adalah adanya proses pelatihan atau training dari suatu data (Ahmad Abu, 2017), sehingga dalam membuat model machine learning diperlukan dua jenis data, pertama data train untuk dijadikan pelatihan sebuah model, kedua data test untuk dijadikan bahan uji keandalan dari sebuah model.
Menurut Kurniawati Chinnamgari (2019:13) machine learning terbagi kedalam tiga jenis algoritma yaitu :
• Supervised Learning, jenis machine learning dengan pola y = ax + b, sehingga dalam model supervised learning perlu ada variable y (variable yang dituju) dan variable x (variable yang mempengaruhi variable y). contoh penerapan supervised learning adalah prediksi laba tahun depan, alat pendeteksi penyakit jantung dll.
• Unsupervised Learning, jenis machine learning tanpa variable y dan variable x, tujuan dari algoritma ini adalah mencari pola pola tertentu dari suatu data, dan mengelompokannya ke beberapa kelompok
21
berdasarkan kemiripan pola. Contoh penerapan unsupervised learning adalah model rekomendasi musik spotify, pengklasifikasian jenis minuman beralkohol dll.
• Reinforcement Learning, jenis algoritma machine learning yang mempelajari apa yang harus dilakukan dengan cara mencoba semua kemungkinan (Barto & Sutton, 2018). Algoritma ini tidak membantu kita mengenai kemungkinan mana yang harus dipakai, namun membantu kita menemukan mana kemungkinan terbaik. Contoh penerapan reinforcement learning adalah autopilot pada mobil, real time decision dll.
29. Regresi
Regresi adalah suatu metode statistik yang mempelajari hubungan antara variabel terikat dan variabel bebas (Wardani dkk, 2021). Jaiswal Sonoo (2018) menyebutkan bahwa regresi adalah model statistika yang bertujuan untuk mencari hubungan antara variable terikat (Y) dan variable bebas (X).
Menurut Andini dkk (2016) yang dikutip dari Rahmawati dkk (2022), Tujuan dari metode analisis regresi adalah memberikan prediksi nilai Y untuk nilai X yang tersedia. Model Regresi umumnya berbentuk y = ax + b, dimana y = variabel dependen; x = variabel independen; a = koefisien regresi (slope = kemiringan) dan b = tetapan regresi (intersep) (Khaira, 2014).
Gambar 2. 3 Ilustrasi Regresi Linear
22
Sumber : ilmudatapy.com 30. Support Vector Regression
Support Vector Regression (SVR) adalah metode supervised learning yang digunakan untuk menyelesaikan masalah estimasi fungsi multidimensional (Akbar & Kurniawan, 2019). Akbar menambahkan bahwa awalnya SVR dirancang untuk menemukan decision rule dengan kemampuan generalisasi yang baik dengan memilih subset kecil dari data training yang disebut Support Vectors (SV). Menurut (Scholkopt & Smola, 2012) dalam Laminullah dkk (2020), SVR bertujuan untuk menemukan fungsi f(x) yang akan menjadi suatu hyperplane (garis pemisah) berupa fungsi regresi yang mana sesuai dengan semua input data dengan membuat error (ε) sekecil mungkin. Menurut Statistic Centre Diponegoro University, Metode SVR akan menghasilkan fungsi regresi berbentuk f(x) = w(x) + b; dimana w adalah vektor pembobot berdimensi sesuai banyaknya data, dan b adalah bias.
Gambar 2. 4
Ilustrasi Support Vector Regression
23
Sumber saedsayad.com 31. Random Forest
Random forest adalah metode yang digunakan untuk klasifikasi dan regresi. Metode ini merupakan sebuah ensemble (kumpulan) metode machine learning menggunakan pohon keputusan (decision trees) sebagai base classifier yang dibangun dan dikombinasikan (Kulkarni & Sinha, 2014). Menurut Hartati dkk (2012) yang dikutip dari Adrian dkk (2021), Random Forest adalah metode yang dikembangkan dari metode CART (Classification and Regression Trees).
Tahapan random forest yaitu (1) melakukan bootstrap sampling untuk membangun pohon faktor; (2) masing-masing pohon keputusan memprediksi dengan prediktor acak; (3) lalu random forest melakukan prediksi dengan mengombinasikan hasil dari setiap pohon keputusan dengan cara rata-rata untuk regresi (Sadewo, dkk dalam Primajaya & Sari, 2018). Menurut Rianto &
Yunis (2021), model random forest memiliki kemudahan aplikasi, biaya komputasi yang rendah, akurasi prediksi yang tinggi dan lebih fleksibel.
Gambar 2. 5 Ilustrasi Random Forest
24
Sumber gambar : Wikimedia.org 32. Extreme Gradient Boosting
Metode Extreme Gradient Boosting atau XGBoost adalah sebuah algoritma boosting berbasis pohon keputusan (decision trees) regresi (Siringoringo dkk, 2021). Menurut Guo M et al (2021) dalam (Suwarno &
Kusnadi, 2021), XGBoost dapat melakukan optimasi lebih cepat dibandingkan implementasi model gradient boosting lainnya pada klasifikasi maupun regresi.
Jiang, Tong, Yin, & Xiong (2019) dalam (Siringoringo dkk, 2021) memaparkan proses model XGBoost dalam gambar 2.4.
Gambar 2. 6 Ilustrasi XGBoost
Sumber : Jiang, Tong, Yin, & Xiong (2019)
25
Proses pembelajaran pohon pertama dari data train (feature, Y) memperoleh nilai estimasi pertama (Y1). Pohon ke dua melakukan proses pembelajaran dari data train (feature, |Y-Y1|), dimana nilai |Y-Y1| merupakan selisih antara label nyata dengan label prediksi pada pohon pertama. Pohon ke tiga melakukan proses pembelajaran dari data (feature, |Y-Y1-Y2|) dan menghasilkan estimasi Y3. Dengan sistem tersebut, maka nilai error dapat dikurangi dengan efektif.
33. Evaluasi Model
Menurut Ayuni & Fitrianah (2019), untuk mengukur akurasi dari model regresi dapat menggunakan Root Mean Square Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Root Mean Square Error adalah penjumlahan kuadrat dari selisih antara nilai sebenarnya (aktual) dan nilai prediksi, kemudian membagi jumlah tersebut dengan banyaknya data peramalan dan kemudian menarik akarnya. Model yang baik adalah model dengan nilai RMSE yang paling kecil (Roni dkk, 2020). Mean Absolute Percentage Error adalah nilai mutlak dari persentase error data terhadap rata- rata. Menurut Baihaqi (2019), apabila MAPE dibawah 10% maka dikategorikan sangat baik. Nilai MAPE antara 10 - 20% maka dikategorikan baik. Nilai MAPE antara 20 - 50% maka dikategorikan cukup. MAPE diatas 50% maka dikategorikan buruk.
26 B. Penelitian Terdahulu
TABEL 2. 1 Penelitian Terdahulu
No. Nama (Tahun), Judul Penelitian Persamaan Perbedaan Hasil Penelitian 1 Retno Maharesi (2013), Penggunaan
Support Vector Regression (SVR) Pada Prediksi Return Saham Syariah BEI
Penelitian kuantitatif, data sekunder, Model
Support Vector
Regression. Variable Return Saham, Price to Book Value, Price to Earning Ratio, Return of Equity.
Populasi dan Sampel, Variabel Independen.
Performansi model prediksi berbasis Support Vector Machine (SVR) selanjutnya dibandingkan dengan model Regresi linearberganda berbasis Ordinary Least Squares (RLB-OLS) menggunakan pengukuran nilaiMean square error dan korelasi kuadratik untuk kesesuaian model. Hasil perbandingankedua model memperlihatkan bahwa model prediksi yang didapat menggunakan modelSVR lebih baik.
2 Khaerani Nur Azizah; Deni Saepudin;
Putu Harry Gunawan (2021), Optimasi Portofolio Saham LQ45 dengan mempertimbangkan Prediksi Return
Penelitian kuantitatif, data sekunder, Variabel Return Saham, Machine Learning
Algoritma Time Series , Variabel Portofolio saham, return portofolio
Berdasarkan hasil pengujian kinerja portofolio yang optimal dilakukan menggunakan sensitivitas yang terbaik yaitu dengan nilai rata-rata return yang
27
No. Nama (Tahun), Judul Penelitian Persamaan Perbedaan Hasil Penelitian
menggunakan Metode Holt Winter besar, standar deviasi kecil, dan sharpe
ratio yang besar. Dibandingkan dengan kinerja portofolio index LQ45 yang diukur dari rata-rata return terbesar, std terkecil dan sharpe ratio terbesar, kinerja portofolio yang menggunakan sensitivitas menghasilkan nilai yang lebih tinggi.
3 Leonie Syafira; Brady
Rikumahu (2020), Analisis Korelasi Sentimen Pada Twitterterhadap Abnormal Return Saham (Studi Kasus Pada Saham Indeks Lq45 Di Twitter)
Penelitian kuantitatif, data sekunder, Indeks LQ45, Machine Learning
Variable independen,
Algoritma text mining
Hasil korelasi Rank Spearman menunjukanbahwa sentimen memiliki pengaruh yang lemahterhadap abnormal return saham. Baik itu return padahari yang sama, setelah 1 hari, atau setelah 5 harisentimen itu terbentuk
4 Xiao Zhong and David Enke (2019), Predicting the daily return direction of thestock market using hybrid machine learningalgorithms.
Penelitian kuantitatif, data sekunder, Return Saham, Machine Learning, Regresi,
Algoritma Neural Network Variabel Independen, Return
Strategi Trading dengan proses DNN berdasarkan kinerja data yang diwakili PCA sedikit lebih baik daripada dua
28
No. Nama (Tahun), Judul Penelitian Persamaan Perbedaan Hasil Penelitian harian, populasi dan
sampel
algoritma lain yang diuji (ANN, time series)
5 David E. Rapach & Guofu Zhou (2019), Time-Series and Cross- Sectional Stock Return Forecasting:
New Machine Learning Methods.
Penelitian kuantitatif, data sekunder, Return Saham, Machine Learning
Algoritma time series, Variabel Independen, Return harian, populasi dan sampel
metode machine learning dapat
digunakan untuk meningkatkan peluang perkiraan dari kombinasi time series dengan cross sectional dimensions.
6 Lauri Nevasalmi (2020), Forecasting multinomial stock returns using machine learning methods
Penelitian kuantitatif, data sekunder, Return Saham, Machine Learning, Model random forest, model gradient boosting
Algoritma KNN dan Neural Networks , Variabel
Independen,
populasi dan sampel
Model gradient boosting menjadi model paling unggul secara statistic dan ekonomi.
29 C. Kerangka Pemikiran
Kerangka pemikiran dalam penelitian ini dapat digambarkan dengan bagan sebagai berikut :
Investasi saham merupakan aktivitas yang dapat menghasilkan keuntungan berupa return saham ataupun dividen
Pergerakan Saham merupakan hal yang sangat sulit diprediksi, tidak ada
analisis yang pasti 100% akurat memprediksi harga saham
GAP
Implementasi Machine Learning Dalam Memprediksi Return Saham (Studi Kasus Pada Perusahaan yang Terdaftar di LQ45 periode 2012 - 2021
Basis Teori : Teori Sinyal, Teori Pasar Modal
Return of Asset, Return of Equity, Long term debt to equity ratio, Net Profit Margin, Gross profit margin, Cash ratio, Current ratio, Price to Book Value, Price to Earning Ratio, Asset Turnover, Pertumbuhan laba, Kepemilikan Publik, Dividen yield, Return tahun lalu, Sektor perusahaan, Saham syariah, Fraksi harga saham, Kapitalisasi pasar, Volume transaksi, MACD, Stochastic, Kurs rupiah terhadap dollar, Jumlah uang beredar, Inflasi, Jumlah Investor Pasar modal dan Suku bunga BI.
Return Saham
Metode Analisis : Machine Learning dengan 4 Algoritma
- Regresi Linear
- Random Forest
- Support Vector Regression
- Extreme Gradient Boosting
Hasil Penelitian Kesimpulan dan
Saran
30 BAB III
METODE PENELITIAN
A. Populasi dan Sampel
Penelitian ini bertujuan untuk memprediksi variabel dependen yaitu return saham menggunakan 25 variabel independen dengan model machine learning.
Variabel independen dalam penelitian ini terdiri dari; Return of Asset, Return of Equity, Long term debt to equity ratio, Net Profit Margin, Gross profit margin, Cash ratio, Current ratio, Price to Book Value, Price to Earning Ratio, Asset Turnover, Pertumbuhan laba, Kepemilikan Publik, Dividen yield, Return tahun lalu, Sektor perusahaan, Saham syariah, Fraksi harga saham, Kapitalisasi pasar, Volume transaksi, MACD, Stochastic, Kurs rupiah terhadap dollar, Jumlah uang beredar, Inflasi, Jumlah Investor Pasar modal dan Suku bunga BI. Populasi penelitian ini adalah perusahaan yang terdaftar di indeks LQ45 Bursa Efek Indonesia (BEI) periode 2012 – 2021.
Metode yang digunakan peneliti dalam pemilihan sampel penelitian adalah pemilihan sampel bertujuan (purposive sampling), dengan teknik berdasarkan perimbangan (judgement sampling) yang merupakan tipe pemilihan sampel secara tidak acak yang informasinya diproleh dengan menggunakan pertimbangan tertentu dengan kriteria sebagai berikut:
1) Perusahaan terdaftar di BEI selama periode pengamatan, yaiu tahun 2012- 2021.
2) Menerbitkan laporan keuangan yang telah diaudit selama tahun pengamatan 2011-2020 dan terdapat laporan auditor independen atas laporan keuangan perusahaan.
3) Perusahaan yang terdaftar di indeks LQ45 periode februari – agustus selama tahun 2012 – 2021.
31 B. Dataset
Data yang digunakan dalam penelitian ini adalah data sekunder. Data dari penelitian ini diambil dari berbagai sumber. Data untuk variabel Return saham, Return tahun lalu, Sektor perusahaan, Saham syariah, Fraksi harga saham, Volume transaksi, MACD dan Stochastic bersumber dari Stockbit (www.stockbit.com).
Data untuk variabel Return of Asset, Return of Equity, Long term debt to equity ratio, Net Profit Margin, Gross profit margin, Cash ratio, Current ratio, Price to Book Value, Price to Earning Ratio, Asset Turnover, Pertumbuhan laba, Kepemilikan Publik dan Dividen yield bersumber dari laporan tahunan perusahaan periode 2011 sampai dengan periode 2020 yang dipublikasikan di website resmi masing-masing perusahaan dan melalui situs resmi BEI (www.idx.co.id). Data untuk variabel Kurs rupiah terhadap dollar, Jumlah uang beredar, Inflasi, dan Suku bunga BI bersumber dari Badan Pusat Statistik (BPS) yang terdapat di website resmi BPS (www.bps.go.id). Data Jumlah investor Saham bersumber dari Kustodian Sentral Efek Indonesia (KSEI). Rumus dan sumber data dari masing masing variabel terlampir dalam table 3.1
Tabel 3. 1
Rumus Perhitungan Variabel
Variabel Indikator Skala
Return Saham Return =
𝐻𝑎𝑟𝑔𝑎 𝑠𝑎ℎ𝑎𝑚 𝑎𝑘ℎ𝑖𝑟−ℎ𝑎𝑟𝑔𝑎 𝑠𝑎ℎ𝑎𝑚 𝑎𝑤𝑎𝑙
ℎ𝑎𝑟𝑔𝑎 𝑠𝑎ℎ𝑎𝑚 𝑎𝑤𝑎𝑙 𝑥 100%
Istiqoma (2018)
Rasio
Return on Asset RoA = 𝐿𝑎𝑏𝑎 𝑏𝑒𝑟𝑠𝑖ℎ
𝑇𝑜𝑡𝑎𝑙 𝐴𝑠𝑒𝑡 x 100%
Marshall Hagrave (2022)
Rasio
Return on Equity RoE = 𝐿𝑎𝑏𝑎 𝑏𝑒𝑟𝑠𝑖ℎ
𝑇𝑜𝑡𝑎𝑙 𝐸𝑘𝑢𝑖𝑡𝑎𝑠 x 100%
Jason Fernando (2022)
Rasio
32
Variabel Indikator Skala
Long Term Debt to Equity Ratio
LTDE = 𝑇𝑜𝑡𝑎𝑙 𝑈𝑡𝑎𝑛𝑔 𝑡𝑖𝑑𝑎𝑘 𝑙𝑎𝑛𝑐𝑎𝑟 𝑇𝑜𝑡𝑎𝑙 𝐸𝑘𝑢𝑖𝑡𝑎𝑠
Murhadi (2013) dalam Jufrizen dkk (2019)
Rasio
Net Profit Margin
NPM = 𝐿𝑎𝑏𝑎 𝑏𝑒𝑟𝑠𝑖ℎ
𝑇𝑜𝑡𝑎𝑙 𝑃𝑒𝑛𝑑𝑎𝑝𝑎𝑡𝑎𝑛 x 100%
Murphy (2022)
Rasio
Gross Profit Margin
GPM = 𝑃𝑒𝑛𝑑𝑎𝑝𝑎𝑡𝑎𝑛−𝐻𝑃𝑃
𝑇𝑜𝑡𝑎𝑙 𝑃𝑒𝑛𝑑𝑎𝑝𝑎𝑡𝑎𝑛 x 100%
Bloomenthal (2021)
Rasio
Cash Ratio Cash Ratio = 𝐾𝑎𝑠 𝑑𝑎𝑛 𝑆𝑒𝑡𝑎𝑟𝑎 𝐾𝑎𝑠
𝑈𝑡𝑎𝑛𝑔 𝑙𝑎𝑛𝑐𝑎𝑟 x 100 % Kenton (2022)
Rasio
Current Ratio CR = 𝐴𝑠𝑒𝑡 𝐿𝑎𝑛𝑐𝑎𝑟
𝑈𝑡𝑎𝑛𝑔 𝐿𝑎𝑛𝑐𝑎𝑟 x 100%
Jason Fernando (2022)
Rasio
Asset Turnover AT = 𝑇𝑜𝑡𝑎𝑙 𝑃𝑒𝑛𝑗𝑢𝑎𝑙𝑎𝑛
𝑇𝑜𝑡𝑎𝑙 𝐴𝑠𝑒𝑡 x 100%
Sanjaya (2019)
Rasio
Price to Book Value
PBV = 𝐻𝑎𝑟𝑔𝑎 𝑠𝑎ℎ𝑎𝑚 𝑝𝑒𝑟 𝑙𝑒𝑚𝑏𝑎𝑟
𝑁𝑖𝑙𝑎𝑖 𝑏𝑢𝑘𝑢 𝑝𝑒𝑟 𝑠𝑎ℎ𝑎𝑚 𝑥 100%
Jason Fernando (2022)
Rasio
Price to Earning Ratio
PER = 𝐻𝑎𝑟𝑔𝑎 𝑠𝑎ℎ𝑎𝑚 𝑝𝑒𝑟 𝑙𝑒𝑚𝑏𝑎𝑟
𝐿𝑎𝑏𝑎 𝑝𝑒𝑟 𝑠𝑎ℎ𝑎𝑚 x 100%
Jason Fernando (2022)
Rasio
Pertumbuhan laba
PL = 𝐿𝑎𝑏𝑎 𝑡𝑎ℎ𝑢𝑛 𝑖𝑛𝑖−𝑙𝑎𝑏𝑎 𝑡𝑎ℎ𝑢𝑛 𝑠𝑒𝑏𝑒𝑙𝑢𝑚𝑛𝑦𝑎 𝑙𝑎𝑏𝑎 𝑡𝑎ℎ𝑢𝑛 𝑠𝑒𝑏𝑒𝑙𝑢𝑚𝑛𝑦𝑎
x100%
Irmayanti (2011)
Rasio
Dividen Yield Dy = 𝑑𝑖𝑣𝑖𝑑𝑒𝑛 𝑝𝑒𝑟 𝑠𝑎ℎ𝑎𝑚
ℎ𝑎𝑟𝑔𝑎 𝑠𝑎ℎ𝑎𝑚 𝑝𝑒𝑟 𝑙𝑒𝑚𝑏𝑎𝑟 x 100% Rasio Kepemilikan
Publik
Data dari Laporan Keuangan perusahaan Rasio
33
Variabel Indikator Skala
Sektor Perusahaan
Variable dummy, terdiri dari 12 sektor sesuai perusahaannya yaitu Energi, Barang Baku, Perindustrian, Barang Konsumen Primer, Barang Konsumen Non Primer, Kesehatan, Keuangan, Properti & Real Estat, Teknologi, Infrastruktur, Transportasi & Logistik dan Produk Investasi Tercatat.
Nominal
Syariah Variabel dummy, terdiri dari 2 kategori sesuai dengan indeks saham syariah, yaitu syariah dan tidak syariah
Nominal
Fraksi Harga Variable dummy, terdiri dari 5 fraksi harga sesuai SK BEI no Kep-00023/BEI/04-2016. 5 Fraksi harga terdiri dari Rp 50 – 200, Rp 200 – 500, Rp 500 – 2.000, Rp 2.000 – 5.000 dan > Rp 5.000
Interval
Kapitalisasi Pasar
Variabel dummy, terdiri dari 3 kategori berdasarkan kapitalisasi pasar, yaitu ; kapitalisasi besar yaitu dengan kapitalisasi diatas $10 Miliar, kapitalisasi sedang yaitu kapitalisasi antara $2 Miliar sampai $10 Miliar, kapitalisasi kecil yaitu saham dengan kapitalisasi dibawah $2 Miliar. (Jason Hall, 2022)
Interval
Volume Transaksi
Variabel dummy, terdiri dari 3 kategori berdasarkan volume transasksi, yaitu ; bullish, normal, bearish. (Indarti & Purba, (2011)
Nominal
34
Variabel Indikator Skala
MACD Variabel dummy, terdiri dari 2 kategori berdasarkan grafik MACD, yaitu ; overbought dan oversold (Edianto, 2016:342)
Nominal
Stochastic Variabel dummy, terdiri dari 3 kategori berdasarkan nilai stochastic. Nilai stochastic dibawah 20 termasuk jenuh jual, nilai stochastic diatas 80 termasuk jenuh beli, nilai stochastic antara 20 – 80 termasuk normal (Edianto, 2016:319)
Nominal
Kurs Rupiah terhadap dollar
Data kurs rupiah bulanan per 31 januari yang bersumber dari www.bps.go.id
Rasio
Jumlah uang beredar
Data jumlah uang beredar bulanan per 31 januari yang bersumber dari www.bps.go.id
Rasio
Inflasi Data inflasi bulanan per 31 januari yang bersumber dari www.bps.go.id
Rasio
Suku bunga BI Data suku bunga BI bulanan per 31 januari yang bersumber dari www.bps.go.id
Rasio
Jumlah Investor Saham
Data Jumlah investor saham per 31 januari yang bersumber dari www.ksei.co.id
Rasio
Sumber : Diolah dari berbagai sumber, 2022 C. Perangkat Penelitian
Perangkat keras dan perangkat lunak yang digunakan dalam penelitian ini yaitu:
Tabel 3. 2 Perangkat Lunak No Perangkat Lunak Kegunaan
35 1 Rstudio 2022.02.3
Build 492
Pemrograman untuk mengembangkan model
2 Microsoft Excel Penyimpanan dan preprocessing data 3 Google Chrome Mengumpulkan data
Sumber : Diolah dari berbagai sumber, 2022
Tabel 3. 3
Spesifikasi Perangkat Keras (ASUS X456URK) No Komponen Spesifikasi
1 Processor Intel Core i5 7200u
2 RAM 8GB
3 Sistem Operasi Windows 10 64 Bit
4 GPU Nvidia Geforce 930MX
Sumber : Diolah dari berbagai sumber, 2022 D. Metode Penelitian
Metode analisis yang digunakan dalam penelitian ini adalah regresi dengan algoritma linear regresi, Random Forest, Support Vector Machine, Random Forest dan Extreme Gradient Boosting pada Bahasa R Programming yang digunakan untuk prediksi return saham berdasarkan 26 variabel independen.
E. Bahasa R dan Rstudio
R adalah bahasa pemrograman open-source yang menangani komputasi statistik dan pemrosesan data, dan tampilan grafis menggunakan alat yang disediakan dalam paket, sehingga sangat berguna dalam penelitian dan industri (Budiharto & Rachmawati, 2013:1). Rstudio adalah perangkat lunak yang digunakan untuk menjalankan pemrograman dengan bahasa R. Terdapat 4 layar dalam tampilan awal Rstudio. Layar 1 menampilkan data yang sedang diolah. Layar
36
2 menampilkan History dan memasukkan data. Layar 3, disebut juga Console adalah bagian utama, yaitu mengetik Syntax. Layar 4 tempat untuk menampilkan file dan juga menginstall package – package yang tersedia. (Priharsari, 2020)
Gambar 3. 1 Tampilan Awal RStudio
Sumber (Priharsari, 2020) F. Diagram Alur Penelitian
Gambar 3. 2 Diagram Alur Penelitian
