ANALISIS VALUE AT RISK MENGGUNAKAN PENDEKATAN THRESHOLD …
Transcript of ANALISIS VALUE AT RISK MENGGUNAKAN PENDEKATAN THRESHOLD …
ANALISIS VALUE AT RISK MENGGUNAKAN
PENDEKATAN THRESHOLD GENERALIZED
AUTOREGRESSIVE CONDITIONAL
HETEROSCEDASTICITY DAN GENERALIZED
PARETO DISTRIBUTION
(Studi Kasus: Harga Penutupan Saham PT Hotel X Tbk. Periode:
2 Januari 2017 – 21 November 2019)
SKRIPSI
Aldilah Ariwibowo
11150940000009
PROGRAM STUDI MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UIN SYARIF HIDAYATULLAH JAKARTA
2020 M / 1441 H
i
ANALISIS VALUE AT RISK MENGGUNAKAN
PENDEKATAN THRESHOLD GENERALIZED
AUTOREGRESSIVE CONDITIONAL
HETEROSCEDASTICITY DAN GENERALIZED
PARETO DISTRIBUTION
(Studi Kasus: Harga Penutupan Saham PT Hotel X Tbk. Periode:
2 Januari 2017 – 21 November 2019)
Skripsi
Diajukan kepada
Universitas Islam Negeri Syarif Hidayatullah Jakarta
Fakultas Sains dan Teknologi
Untuk Memenuhi Salah Satu Persyaratan dalam
Memperoleh Gelar Sarjana Matematika (S.Mat)
Oleh :
Aldilah Ariwibowo
11150940000009
PROGRAM STUDI MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UIN SYARIF HIDAYATULLAH JAKARTA
2020 M / 1441 H
ii
PERNYATAAN
DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI BENAR-BENAR
HASIL KARYA SENDIRI YANG BELUM PERNAH DIAJUKAN SEBAGAI
SKRIPSI ATAU KARYA ILMIAH PADA PERGURUAN TINGGI ATAU
LEMBAGA MANAPUN.
Jakarta, 14 Mei 2020
Aldilah Ariwibowo
NIM. 11150940000009
iii
LEMBAR PENGESAHAN
Skripsi ini berjudul “Analisis Value at Risk Menggunakan Pendekatan
Threshold Generalized Autoregressive Conditional Heteroscedasticity dan
Generalized Pareto Distribution (Studi Kasus: Harga Penutupan Saham PT
Hotel X Tbk. Periode: 2 Januari 2017 – 21 November 2019)” yang ditulis oleh
Aldilah Ariwibowo, NIM. 11150940000009 telah diuji dan dinyatakan lulus
dalam sidang Munaqosah Fakultas Sains dan Teknologi Universitas Islam Negeri
Syarif Hidayatullah Jakarta pada hari Kamis, 14 Mei 2020. Skripsi ini telah diterima
sebagai salah satu persyaratan dalam memperoleh gelar sarjana strata satu (S1)
Program Studi Matematika.
iv
PERSEMBAHAN
Skipsi ini saya persembahkan untuk keluarga saya,
Untuk orangtua saya Alm.mama dan Ayah,
Serta untuk adik saya.
Terimakasih telah menemani saya sampai sekarang dan selalu memberikan
dukungan kepada saya.
MOTTO
ي رفع الله الذين ءامنوا منكم والذين أوتوا العلم درجات والله بما تعملون خبير
“Allah akan meninggikan orang-orang yang beriman di antaramu dan orang-orang
yang diberi ilmu pengetahuan beberapa derajat” (Q.s. al-Mujadalah : 11)
v
KATA PENGANTAR
Assalamu’alaikum Wr. Wb
Puji syukur atas kehadirat Allah SWT yang telah memberikan rahmat dan
hidayah-Nya sehingga penulis mampu menyelesaikan penelitian ini dengan judul
“Analisis Value at Risk Menggunakan Pendekatan Threshold Generalized
Autoregressive Conditional Heteroscedasticity dan Generalized Pareto
Distribution (Studi Kasus: Harga Penutupan Saham PT Hotel X Tbk. Periode:
2 Januari 2017 – 21 November 2019)”. Shalawat serta salam tidak lupa juga
penulis panjatkan kepada Nabi Muhammad SAW. Penulis sadar bahwa skripsi ini
dapat terselesaikan karena bantuan dan dukungan dari berbagai pihak. Untuk itu,
penulis ingin menyampaikan rasa terima kasih kepada:
1. Prof. Dr. Lily Surayya Eka Putri, M.Env.Stud selaku Dekan Fakultas Sains dan
Teknologi Universitas Islam Negeri Syarif Hidayatullah Jakarta.
2. IbuDr.Suma’inna,M.Si, selakuKetuaProgramStudiMatematikaFakultas
Sains dan Teknologi UIN Syarif Hidayatullah Jakarta dan Ibu Irma Fauziah
M.Sc, selaku Sekretaris program studi Matematika Fakultas Sains dan
Teknologi UIN Syarif Hidayatullah Jakarta.
3. Ibu Irma Fauziah, M.Sc selaku pembimbing I dan Ibu Madona Yunita Wijaya,
M.Sc selaku pembimbing II atas saran dan arahannya kepada penulis selama
penyusunan skripsi ini.
4. Ibu Dr. Nina Fitriyati, M.kom selaku penguji I dan Bapak Muhaza Liebenlito,
M.Si selaku penguji II, terima kasih atas kritik dan sarannya kepada penulis
dalam uji seminar hasil dan sidang skripsi.
5. Kedua orang tua penulis Alm. Mama Takiyah dan Ayah Endang, adik penulis
yaitu Alda, terimakasih telah memberikan dukungan dan doa sehingga mampu
memotivasi penulis dalam menyelesaikan skripsi ini.
6. Teman seperjuangan skripsi Nunik dan Nurul yang menemani proses
pembuatan skripsi, teman berdiskusi Ulfah, Vika, dan Sabrah yang telah
memberikan masukan terkait skripsi ini, dan Zakia yang senantiasa
memberikan dukungan kepada penulis.
vi
7. Teman – teman matematika angkatan 2015 yang tidak bisa disebutkan satu –
persatu.
8. Seluruh pihak yang telah membantu dan mendukung penulis dalam
penyelesaian skripsi ini, tanpa mengurangi rasa hormat penulis tidak dapat
sebutkan satu-persatu.
Penulis menyadari bahwa dalam penyusunan skripsi ini masih terdapat
kekurangan. Oleh sebab itu, penulis mengharapkan kritik dan saran yang bersifat
membangun untuk menjadi bahan perbaikan di masa yang akan datang. Penulis
berharap penelitian ini dapat bermanfaat bagi siapapun yang membacanya.
Wassalamu’alaikum Wr. Wb.
Jakarta, 14 Mei 2020
Penulis
vii
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH
UNTUK KEPENTINGAN AKADEMIS
Yang bertanda tangan di bawah ini:
Nama : Aldilah Ariwibowo
NIM : 11150940000009
Program Studi : Matematika Fakultas Sains dan Teknologi
Demi pengembangan ilmu pengetahuan, saya menyetujui untuk memberikan Hak
Bebas Royalti Non-Eksklusif (Non-Exclusive-Free Right) kepada Program Studi
Matematika Fakultas Sains dan Teknologi UIN Syarif Hidayatullah Jakarta atas
karya ilmiah saya yang berjudul:
“Analisis Value at Risk Menggunakan Pendekatan Threshold Generalized
Autoregressive Conditional Heteroscedasticity dan Generalized Pareto
Distribution (Studi Kasus: Harga Penutupan Saham PT Hotel X Tbk. Periode:
2 Januari 2017 – 21 November 2019)”
beserta perangkat yang diperlukan (bila ada). Dengan Hak Bebas Royalti Non-
Eksklusif ini, Program Studi Matematika Fakultas Sains dan Teknologi UIN Syarif
Hidayatullah Jakarta berhak menyimpan, mengalihmedia/formatkan, mengelolanya
dalam bentuk pangkalan data (database), mendistribusikannya, dan
menampilkan/mempublikasikannya di internet dan media lain untuk kepentingan
akademis tanpa pelu meminta izin dari saya selama tetap mencantumkan nama saya
sebagai penulis/pencipta dan sebagai pemilik Hak Cipta. Segala bentuk tuntutan
hukum yang timbul atas pelanggaran Hak Cipta karya ilmiah ini menjadi
tanggungjawab saya sebagai penulis.
Demikian pernyataan ini yang saya buat dengan sebenarnya.
Dibuat di Tangerang Selatan
Pada tanggal: 14 Mei 2020
Yang membuat pernyataan,
(Aldilah Ariwibowo)
viii
ABSTRAK
Aldilah Ariwibowo, Analisis Value at Risk Menggunakan Pendekatan Threshold
Generalized Autoregressive Conditional Heteroscedasticity dan Generalized Pareto
Distribution (Studi Kasus: Harga Penutupan Saham PT Hotel X Tbk. Periode: 2
Januari 2017 – 21 November 2019). Dibawah bimbingan Irma Fauziah, M.Sc dan
Madona Yunita Wijaya, M.sc.
Peningkatan jumlah kunjungan wisatawan mancanegara sebesar 1.88%
pada tahun 2018-2019 dimanfaatkan oleh industri perhotelan untuk memperoleh
keuntungan melalui jasa penginapan. Peluang ini pun dimanfaatkan oleh PT Hotel
X Tbk, salah satu perusahaan perhotelan yang ada di Indonesia, yang menawarkan
masyarakat untuk berinvestasi saham pada perusahaannya. Penelitian ini
membahas perhitungan nilai risiko investasi saham menggunakan data return dari
PT Hotel X Tbk. Data return memiliki sifat fat tails, oleh karena itu digunakan
metode Extreme Value Theory (EVT) untuk mengatasinya. Adanya unsur
heteroskedastisitas dan asimetris maka data return dimodelkan dengan GARCH
asimetris, yaitu TGARCH (1,1). Nilai threshold pada residual TGARCH (1,1)
ditentukan dengan metode Peak Over Threshold (POT), residual yang berada diatas
nilai threshold dikategorikan sebagai nilai ekstrem. Nilai ekstrem diasumsikan
mempunyai distribusi Generalized Pareto Distribution (GPD). Nilai VaR dihitung
dengan mengkombinasikan model TGARCH (1,1) dan pendekatan GPD yang
disebut sebagai VaR dinamik, dengan tingkat kepercayaan 95% maka kerugian
maksimum untuk satu hari kedepan menggunakan pendekatan TGARCH (1,1) dan
GPD sebesar 5.2705%. Jika diasumsikan investasi yang dilakukan pada saham PT
Hotel X Tbk sebesar Rp. 1.000.000.000 maka investor akan menanggung kerugian
maksimum Rp. 52.705.000 untuk satu hari kedepan dengan tingkat kepercayaan
95%.
Kata Kunci: Return, fat tails, EVT, threshold, nilai ekstrem, POT,
heteroskedatisitas, asimetris.
ix
ABSTRACT
Aldilah Ariwibowo, Analysis of Value at Risk Using Threshold Generalized
Autoregressive Conditional Heteroscedasticity and Generalized Pareto Distribution
Approach (Case Study: Closing Price of Stock PT Hotel X Tbk. 2 January 2017 to
21 November 2019 period). Under the guidance of Irma Fauziah, M.Sc dan
Madona Yunita Wijaya, M.sc.
An increase in the number of foreign tourist arrivals by 1.88% in 2018-2019
can be used by the hotel industry to get profit through lodging services. This
opportunity was also used by PT Hotel X Tbk, a hotel company in Indonesia, which
offered the public to invest in the company. This study discusses the calculation of
the value of stock investment risk using return data from PT Hotel X Tbk. Return
data have the fat tails characteristic, therefore the Extreme Value Theory (EVT)
method is used to overcome them. The existence of heteroscedasticity and
asymmetric elements then the return data is modeled by asymmetric GARCH, that
is TGARCH (1,1). Threshold value on TGARCH (1,1) residuals is determined by
the Peak Over Threshold (POT) method, residuals that are above the threshold value
are categorized as extreme values. Extreme values are assumed to have a
Generalized Pareto Distribution (GPD). The VaR value is calculated by combining
the TGARCH (1.1) and the GPD approach which is referred to as dynamic VaR, at
the 95% confidence level the maximum loss for the next day using the TGARCH
(1.1) and GPD approach is 5.2705%. If it is assumed that the investment made in
PT Hotel X Tbk stocks is Rp. 1.000.000.000 then the investor will bear a maximum
loss of Rp. 52.705.000 for the next day with a 95% confidence level.
Keywords: Return, fat tails, EVT, threshold, extreme values, POT,
heteroscedasticity, asymmetric.
x
DAFTAR ISI
PERNYATAAN ................................................................................................. ii
LEMBAR PENGESAHAN ............................................................................... iii
PERSEMBAHAN ............................................................................................. iv
KATA PENGANTAR ........................................................................................ v
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH
.......................................................................................................................... vii
ABSTRAK ....................................................................................................... viii
ABSTRACT ...................................................................................................... ix
DAFTAR ISI ...................................................................................................... x
DAFTAR GAMBAR ....................................................................................... xiii
DAFTAR TABEL ........................................................................................... xiv
BAB I PENDAHULUAN ................................................................................... 1
1.1 Latar Belakang....................................................................................... 1
1.2 Rumusan Masalah .................................................................................. 3
1.3 Tujuan Penelitian ................................................................................... 3
1.4 Batasan Masalah .................................................................................... 4
1.5 Manfaat Penelitian ................................................................................. 4
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI ........................... 5
2.1. Saham .................................................................................................... 5
2.2. Stasioneritas........................................................................................... 5
2.3. Identifikasi Model ARMA ..................................................................... 6
2.4. Model Box-Jenkins ................................................................................ 8
2.4.1. Model Autoregressive (AR) ................................................................... 8
2.4.2. Model Moving Average (MA) ............................................................... 8
2.4.3. Model Autoregressive-Moving Average (ARMA) ................................. 8
2.5. Estimasi Parameter ARMA .................................................................... 9
2.6. Tes Diagnostik ....................................................................................... 9
2.6.1. Uji Autokorelasi .................................................................................. 10
2.6.2. Uji Normalitas ..................................................................................... 10
xi
2.6.3. Uji Heteroskedastisitas ......................................................................... 11
2.7. Model ARCH ...................................................................................... 12
2.8. Model GARCH .................................................................................... 12
2.9. Efek Asimetris ..................................................................................... 12
2.10. Model TGARCH ................................................................................. 13
2.11. Metode Quasi Maximum Likelihood Estimation (QMLE) .................... 13
2.12. Pemilihan Model Terbaik ..................................................................... 14
2.13. Akurasi Prakiraan ................................................................................ 15
2.14. Extreme Value Theory (EVT) dan Peak Over Threshold (POT) ........... 15
2.15. Value at Risk ....................................................................................... 16
BAB III METODE PENELITIAN .................................................................. 18
3.1. Metode Pengumpulan Data .................................................................. 18
3.2. Metode Pengolahan Data ..................................................................... 18
3.3. Alur Penelitian ..................................................................................... 20
BAB IV HASIL DAN PEMBAHASAN........................................................... 21
4.1. Data Harga Penutupan Saham .............................................................. 21
4.2. Return Saham ...................................................................................... 22
4.3. Pemodelan Runtun Waktu.................................................................... 23
4.3.1. Uji Stasioner ........................................................................................ 23
4.3.2. Identifikasi Model ................................................................................ 24
4.3.3. Estimasi Parameter Model ARMA (p,q)............................................... 27
4.3.4. Uji Diagnostik Model ARMA .............................................................. 28
4.4. Identifikasi dan Estimasi Model ARCH/GARCH ................................. 30
4.5. Model Asimetris TGARCH ................................................................. 34
4.5.1. Uji Model Asimetris ............................................................................ 34
4.5.2. Estimasi Parameter Model TGARCH ................................................... 35
4.6. Pengujian Kembali ARCH-LM dan Korelasi Pada Residual Kuadrat
Model TGARCH .................................................................................... 36
4.7. Prakiraan Dengan Model TGARCH ..................................................... 38
4.8. Penentuan Nilai Threshold dan Nilai Ekstrem ...................................... 40
4.9. Estimasi Parameter Generalized Pareto Distribution (GPD) ................. 41
4.10. Value at Risk ....................................................................................... 42
xii
BAB V Penutup ................................................................................................ 47
5.1. Kesimpulan.......................................................................................... 47
5.2. Saran ................................................................................................... 48
REFERENSI .................................................................................................... 49
LAMPIRAN ..................................................................................................... 52
xiii
DAFTAR GAMBAR
Gambar 2. 1 Plot EACF ...................................................................................... 7
Gambar 3. 1 Alur Penelitian……………………………………………………..20
Gambar 4. 1 Plot Harga Penutupan Saham Hotel X……………………………...21
Gambar 4. 2 Plot Data Return Saham ............................................................... 23
Gambar 4. 3 Plot ACF dan PACF Return Saham .............................................. 24
Gambar 4. 4 Plot EACF Return Saham ............................................................. 25
Gambar 4. 5 Plot BIC Return Saham ................................................................ 26
Gambar 4. 6 Plot ACF dan PACF Return Kuadrat ............................................ 31
Gambar 4. 7 Plot Cross Correlation .................................................................. 34
Gambar 4. 8 Plot Harga Saham Aktual dan Harga Saham Prakiraan ................. 40
Gambar 4. 9 Kesesuaian Nilai Ekstrem Terhadap Distribusi GPD .................... 41
xiv
DAFTAR TABEL
Tabel 2. 1 Identifikasi model ARMA................................................................... 7
Tabel 2. 2 Kriteria Penilaian MAPE .................................................................. 15
Tabel 4. 1 Statistika Deskriptif Return Saham……………………………………22
Tabel 4. 2 Uji Augmented Dickey Fuller Return Saham .................................... 24
Tabel 4. 3 Estimasi Parameter Model ARMA .................................................... 27
Tabel 4. 4 Uji Autokorelasi Return Saham......................................................... 29
Tabel 4. 5 Uji Normalitas Return Saham ........................................................... 29
Tabel 4. 6 Uji Ljung-Box Pada Return Kuadrat ................................................. 29
Tabel 4. 7 Uji ARCH-LM Pada Return Saham .................................................. 30
Tabel 4. 8 Estimasi Parameter Model ARCH ..................................................... 31
Tabel 4. 9 Estimasi Parameter Model GARCH .................................................. 32
Tabel 4. 10 Estimasi Parameter Model TGARCH .............................................. 35
Tabel 4. 11 Uji ARCH-LM Residual Model TGARCH (1,1) ............................. 37
Tabel 4. 12 Uji Korelasi Residual Kuadrat Model TGARCH (1,1) .................... 37
Tabel 4. 13 Hasil Prakiraan 15 hari Kedepan Model TGARCH (1,1) ................. 38
Tabel 4. 14 Harga Saham Aktual dan Harga Saham Prakiraan .......................... 39
Tabel 4. 15 Estimasi Parameter Distribusi GPD ................................................. 42
Tabel 4. 16 Nilai Karakteristik Untuk VaR GPD Model TGARCH (1,1) ........... 42
Tabel 4. 17 Hasil Prakiraan 15 hari Kedepan Model GARCH (1,1) ................... 44
Tabel 4. 18 Nilai Karakteristik Untuk VaR GPD Model GARCH (1,1).............. 45
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Berdasarkan data yang diperoleh dari www.kemenparekraf.go.id kunjungan
wisatawan mancanegara ke Indonesia pada tahun 2018-2019 mengalami
peningkatan, dari total kunjungan seluruh pintu masuk tercatat bahwa pada tahun
2018 jumlah kunjungan wisatawan mancanegara berjumlah 15.810.305 wisatawan
dan pada tahun 2019 jumlah kunjungan wisatawan mancanegara berjumlah
16.106.954 wisatawan, mengalami peningkatan sebanyak 1,88% [1]. Dengan
meningkatnya kedatangan jumlah kunjungan wisatawan baik wisatawan
mancanegara maupun wisatawan lokal tampaknya membutuhkan sarana dan
prasarana termasuk keberadaan perusahaan jasa perhotelan sebagai sarana
penginapan bagi wisatawan [2]. Salah satu hotel di Indonesia dan mempunyai
jaringan yang luas adalah Hotel X.
PT Hotel X Tbk melakukan penawaran umum kepada masyarakat untuk
berinvestasi di PT Hotel X Tbk dengan cara mencatatkan perusahaannya di Bursa
Efek Indonesia. Walaupun banyak hotel di Indonesia yang menawarkan berbagai
harga dan fasilitas, PT Hotel X Tbk tetap dapat mempertahankan eksistensi dan
keuntungannya di industri perhotelan di Indonesia. Masyarakat umum dapat
melakukan investasi atau transaksi jual beli saham PT Hotel X Tbk melalui Bursa
Efek Indonesia. Transaksi jual beli sudah lama dikenal dalam islam, salah satunya
yang dijelaskan melalui surat berikut.
عن تجارة تكون أن إلا بالباطل بينكم أموالكم تأكلوا لا آمنوا الذين أيها يا منكم تراض
“… janganlah kalian saling memakan harta sesamamu dengan jalan yang batil,
kecuali dengan jalan perniagaan yang timbul dari kerelaan di antara kalian…”
(QS. An-Nisaa’:29).
2
Saat berinvestasi saham, investor menginginkan mendapatkan return
(tingkat pengembalian) yang tinggi dengan tingkat risiko yang rendah. Pergerakan
harga saham yang berfluktuasi membuat investor harus dapat menganalisis tingkat
return dan tingkat risiko yang akan didapat saat memutuskan membeli atau menjual
sahamnya.
Return saham mempunyai sifat volatility clustering, yakni jika terjadi
variabilitas data yang relatif tinggi pada suatu waktu maka akan terjadi
kecenderungan yang sama dalam kurun waktu selanjutnya, dan sebaliknya,
variabilitas data yang relatif kecil akan diikuti oleh adanya kecenderungan yang
sama dalam kurun waktu selanjutnya. Hal ini sering juga disebut kasus time-varying
variance atau kasus heteroskedastisitas. Model runtun waktu yang dapat digunakan
untuk memodelkan kondisi ini diantaranya adalah ARCH (Autoregressive
Conditional Heteroskedasticity) yang dikemukakan oleh Engle dan generalisasinya
yang disebut sebagai GARCH (Generalized ARCH), dikemukakan oleh Bollerslev
[3]. Model ARCH dan GARCH mengasumsikan bahwa gejolak positif dan negatif
memiliki efek yang sama pada volatilitas (efek simetris). Namun, terkadang data
keuangan merespon secara berbeda untuk gejolak positif dan negatifnya (efek
asimetris) [4]. Jika data return saham mengandung efek asimetris maka data
dimodelkan dengan model GARCH asimetris, seperti model TGARCH yang
diperkenalkan oleh Zakoian [5].
Selain return hal yang harus diperhatikan oleh investor adalah risiko,
metode yang popular dalam mengitung tingkat risiko adalah Value at Risk (VaR).
Distribusi probabilitas dari return bersifat fat tails dibandingkan dengan distribusi
Gaussian/Normal, yakni memiliki kecenderungan lebih besar untuk terjadinya
kejadian ekstrem dibanding yang dapat dimodelkan oleh distribusi Gaussian [3].
Extreme Value Theory (EVT) adalah suatu teori yang dapat memodelkan distribusi
yang bersifat fat tails, VaR merupakan perhitungan resiko keuangan yang paling
umum yang dapat dimodelkan dengan menggunakan EVT [5]. Metode EVT terbagi
menjadi dua, yaitu metode Peak Over Threshold (POT) dengan menggunakan
3
distribusi Generalized Pareto Distribution (GPD) dan metode Block Maxima
Minima (BMM) dengan menggunakan distribusi Generalized Extreme Value
(GEV). Metode POT dipertimbangkan lebih efisien dalam memodelkan data yang
terbatas dan tidak bergantung pada data yang besar seperti metode BMM [6].
Zuhara [7] memodelkan saham semen gresik dengan model GARCH dan
menghitung nilai VaR yang dikombinasikan dengan EVT melalui pendekatan GPD.
Ambarsari [8] melakukan perbandingan pendekatan GEV dan GPD untuk
perhitungan VaR dengan menggunakan model GARCH, pada penelitian tersebut
nilai VaR dengan pendekatan GPD lebih besar dibandingkan nilai VaR dengan
pendekatan GEV. Mutik [4] memodelkan data saham Bumi Serpong Damai dengan
model TARCH dan menghitung VaR yang dikombinasikan dengan EVT melalui
pendekatan GEV.
Berdasarkan latar belakang pada uraian diatas, maka penulis ingin melakukan
estimasi perhitungan Value at Risk pada data saham PT Hotel X Tbk dengan
menggunakan model Threshold GARCH yang dikombinasikan dengan Generalized
Pareto Distribution.
1.2 Rumusan Masalah
Berdasarkan uraian latar belakang di atas, rumusan masalah penelitian ini
yaitu:
1. Bagaimana memodelkan data return saham PT Hotel X Tbk dengan model
TGARCH?
2. Bagaimana cara menghitung estimasi Value at Risk dengan
mengkombinasikan model TGARCH dan GPD?
1.3 Tujuan Penelitian
Tujuan dari penelitian yang dilakukan adalah:
1. Memodelkan data return saham PT Hotel X Tbk dengan model TGARCH.
4
2. Menghitung estimasi Value at Risk dengan mengkombinasikan model
TGARCH dan GPD.
1.4 Batasan Masalah
Batasan masalah yang ditentukan penulis adalah sebagai berikut:
1. Penelitian ini menggunakan data harga penutupan saham dengan periode
harian.
2. Pada penelitian ini prakiraan model hanya menggunakan data return saham,
faktor eksternal seperti kebijakan pemerintah, keadaan ekonomi, pertahanan
dan keamanan negara tidak dilibatkan.
1.5 Manfaat Penelitian
Manfaat penelitian ini bagi penulis dan pembaca adalah untuk menambah
wawasan mengenai perhitungan risiko yang melibatkan nilai ekstrem dan model
heteroskedastisitas dengan efek asimetris. Bagi investor, penelitian ini dapat
dijadikan gambaran dalam menentukan keputusan yang berkaitan dengan
perhitungan risiko saham.
5
BAB II
TINJAUAN PUSTAKA DAN LANDASAN TEORI
2.1. Saham
Saham adalah surat tanda bukti penyertaan modal pada sebuah perseroan
terbatas yang mempunyai nilai ekonomi sehingga dapat diperjual belikan atau
dijaminkan uang [9]. Ketika berinvestasi pada saham seorang investor
mengharapkan mendapatkan return yang tinggi. Return saham merupakan hasil
yang didapatkan investor terhadap investasi yang dilakukan. Return saham dapat
dihitung pada persamaan berikut [10]:
rt = lnPt
Pt−1
(2. 1)
Dengan 𝑟𝑡 merupakan return saham pada periode t, 𝑃𝑡 merupakan harga saham pada
periode t , dan 𝑃𝑡−1 adalah harga saham pada periode 𝑡 − 1.
2.2. Stasioneritas
Suatu data hasil proses random dikatakan stasioner jika memenuhi tiga
kriteria yaitu jika rata-rata dan variannya konstan sepanjang waktu dan kovarian
antara dua data runtun waktu hanya tergantung dari kelambanan (lag) antara dua
periode waktu tersebut [11]. Pada model stasioner, sifat-sifat statistik di masa yang
akan datang dapat diramalkan berdasarkan data historis yang telah terjadi di masa
lalu [3]. Salah satu uji yang dapat dilakukan untuk mengetahui data stasioner adalah
uji ADF, pengujian ADF dilakukan dengan cara [10] :
𝐻0 : 𝛽 = 1 (terdapat akar unit)
𝐻1 : 𝛽 < 1 (tidak terdapat akar unit)
Dengan menggunakan regresi :
Yt = ct + βYt−1 + ∑ ∅i∆Yt−i + et
p−1
i=1
𝑐𝑡 : konstanta
6
𝑌𝑡 : data pengamatan ke-t
𝑒𝑡 : residual pada periode t
Statistik Uji:
ADF test =β − 1
se(β)
(2. 2)
Dimana β menyatakan estimasi least-square dari parameter 𝛽. Keputusannya
adalah dengan menggunakan taraf signifikansi 𝛼 = 5% jika nilai ADF hitung lebih
kecil dari nilai pada tabel Dickey Fuller atau probabilitas 𝑝 − 𝑣𝑎𝑙𝑢𝑒 lebih kecil dari
taraf signifikansi 0.05 maka tolak 𝐻0, atau dapat diartikan tidak terdapat akar unit.
2.3. Identifikasi Model ARMA
Setelah mendeteksi masalah stasioneritas data maka selanjutnya adalah
identifikasi model ARIMA. Metode baku yang digunakan untuk pemilihan model
ARIMA melalui correlogram yaitu autocorrelation function (ACF) dan partial
autocorrelation function (PACF) [11]. Koefisien korelasi antara 𝑌𝑡 dan 𝑌𝑡−𝑘 yang
disebut autokorelasi pada lag 𝑘𝑒 − 𝑘 dari 𝑌𝑡 dan umumnya dinotasikan dengan 𝜌𝑘 .
Jika diberikan data runtun waktu {𝑌𝑡}𝑡=1𝑇 , dengan �� adalah rata-rata dari deret Y
yang didefinisikan sebagai �� = ∑𝑌𝑡
𝑇
𝑇𝑡=1 dan T adalah jumlah pengamatan, maka
nilai estimasi autokorelasi lag 𝑘𝑒 − 𝑘 dari 𝑌𝑡 didefinisikan sebagai berikut [10]:
ρk =∑ (Yt − Y)(Yt−k − Y)T
t=l+1
∑ (Yt − Y)2Tt=1
(2. 3)
Partial autocorrelation (PACF) yang dinotasikan dengan ϕ𝑘𝑘 adalah
korelasi antara 𝑌𝑡 dan 𝑌𝑡−𝑘 setelah menghilangkan pengaruh variabel
𝑌𝑡−1, 𝑌𝑡−2, 𝑌𝑡−3, … , 𝑌𝑡−𝑘+1 yang dituliskan dengan persamaan berikut [12]:
ϕ𝑘𝑘 = 𝐶𝑜𝑟𝑟(𝑌𝑡, 𝑌𝑡−𝑘|𝑌𝑡−1, 𝑌𝑡−2, … , 𝑌𝑡−𝑘+1)
ϕkk =𝜌𝑘 − ∑ 𝜙𝑘−1,𝑗 𝜌𝑘−𝑗 𝑘−1
𝑗=1
1 − ∑ 𝜙𝑘−1,𝑗 𝜌𝑗 𝑘−1𝑗=1
(2. 4)
7
Identifikasi model ARMA dengan menggunakan ACF dan PACF dapat dilihat pada
Tabel 2.1 [12].
Tabel 2. 1 Identifikasi model ARMA
Plot AR(p) MA(q) ARMA(p,q)
ACF Turun menuju 0 Terputus setelah
lag ke q
Turun menuju 0
PACF Terputus setalah
lag ke p
Turun menuju 0 Turun menuju 0
ACF dan PACF merupakan alat yang efektif untuk mengidentifikasi model
AR (p) atau MA (q) murni, namun sulit untuk mengidentifikasi model gabungan
ARMA (p,q). Banyak alat secara grafis yang telah diusulkan untuk memudahkan
mengidentifikasi orde ARMA, salah satunya adalah Extended ACF (EACF). Untuk
mengidentifikasi orde ARMA pada plot EACF dapat dilihat dari pola berbentuk
segitiganolyangdisimbolkan“0”denganujungsegitigayanglancipmerupakan
orde ARMA, yang ditunjukkan pada Gambar 2.1 [12]:
Gambar 2. 1 Plot EACF
Gambar 2.1 merupakan plot EACF dengan pola segitiga yang terbentuk pada ujung
segitiga lancip menghasilkan model dengan orde ARMA (1,1).
8
2.4. Model Box-Jenkins
Alasan utama penggunaan teknik Box-Jenkins karena gerakan variabel-
variabel ekonomi yang diteliti seperti pergerakan nilai tukar, harga saham, inflasi
seringkali sulit dijelaskan oleh teori-teori ekonomi [11].
2.4.1. Model Autoregressive (AR)
Model AR menunjukkan nilai prediksi variabel dependen 𝑌𝑡 hanya
merupakan fungsi linier dari sejumlah 𝑌𝑡 aktual sebelumnya [11]. Secara umum
model AR (p) dapat didefinisikan dalam bentuk persamaan sebagai berikut [12]:
Yt = ∅1Yt−1 + ∅2Yt−2 + ⋯ + ∅pYt−p + et
Dimana Y adalah variabel dependen, 𝑌𝑡−1, 𝑌𝑡−2, 𝑌𝑡−𝑝 adalah lag dari Y, p adalah
orde dari AR, dan 𝑒𝑡 adalah residual.
2.4.2. Model Moving Average (MA)
Model MA ini menyatakan bahwa nilai prediksi variabel dependen 𝑌𝑡 hanya
dipengaruhi oleh nilai residual periode sebelumnya [11]. Secara umum model dari
MA (q) dapat didefinisikan dalam bentuk persamaan sebagai berikut [12]:
Yt = et − θ1et−1 − θ2et−2 − ⋯ − θqet−q
Dimana: 𝑒𝑡 adalah residual, 𝑒𝑡−1, 𝑒𝑡−2, 𝑒𝑡−𝑞 adalah lag dari residual, dan q adalah
orde dari MA.
2.4.3. Model Autoregressive-Moving Average (ARMA)
Seringkali perilaku suatu data runtun waktu dapat dijelaskan dengan baik
melalui penggabungan antara model AR dan model MA. Model gabungan ini
disebut Autoregressive-Moving Average (ARMA) [11]. Secara umum model dari
ARMA (p,q) dapat didefinisikan dalam bentuk persamaan sebagai berikut [12]:
Yt = ∅1Yt−1 + ∅2Yt−2 + ⋯ + ∅pYt−p + et − θ1et−1 − θ2et−2 − ⋯
− θqet−q
9
2.5. Estimasi Parameter ARMA
Estimasi parameter ARMA dapat menggunakan metode least square.
Pendekatan metode least square memilih parameter model sedemikian sehingga
jumlah residual kuadrat adalah minimum [13]. Untuk model ARMA (p,q)
ditunjukkan sebagai berikut [12]:
Yt = ∅1Yt−1 + ∅2Yt−2 + ⋯ + ∅pYt−p + et − θ1et−1 − θ2et−2 − ⋯ − θqet−q
𝑒𝑡 = Yt − ∅1Yt−1 − ∅2Yt−2 − ⋯ − ∅pYt−p + θ1et−1 + θ2et−2 + ⋯ + θqet−q
𝑆𝑐(∅, θ) = ∑ 𝑒𝑡2
𝑛
𝑡=2
Selanjutnya meminumkan 𝑆𝑐(∅, θ) terhadap parameter ∅ dan θ untuk mendapatkan
nilai parameter ∅ dan θ. Setelah mendapatkan parameter dari hasil estimasi
parameter maka tahap selanjutnya adalah uji signifikansi dengan melakukan Uji-t,
dengan langkah sebagai berikut.
𝐻0 : 𝑏𝑘 = 0, 𝑘 = 0,1,2, … (parameter tidak signifikan)
𝐻1 : 𝑏𝑘 ≠ 0, 𝑘 = 0,1,2, … (parameter signifikan)
Statistik Uji [13]:
tk =bk
se(bk)
(2. 5)
Dengan 𝑏𝑘 adalah estimasi parameter dan 𝑠𝑒(𝑏𝑘) adalah standar error dari
estimasi parameter. Keputusannya adalah dengan menggunakan taraf signifikansi
𝛼 = 5% maka tolak 𝐻0 jika |𝑡𝑘| > 𝑡𝛼
2,(𝑁−𝐾) atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 lebih kecil dari 𝛼 =
5%.
2.6. Tes Diagnostik
Setelah mengidentifikasi model dan estimasi parameter model langkah
selanjutnya adalah tes diagnostik model, yaitu melakukan uji autokorelasi, uji
normalitas, dan uji heteroskedastisitas pada residual model.
10
2.6.1. Uji Autokorelasi
Uji autokorelasi pada residual model dapat dilakukan dengan Uji Ljung-Box,
yaitu sebagai berikut [3]:
𝐻0 : 𝜌1 = 𝜌2 = ⋯ = 𝜌𝑘 = 0, 𝑘 < 𝑛
(tidak terdapat korelasi serial dalam residual sampai lag-k, 𝑘 < 𝑛)
𝐻1 : Minimal ada satu 𝜌𝑖 ≠ 0, 𝑖 = 1,2,3, … , 𝑘
(terdapat korelasi serial dalam residual setidaknya pada satu lag)
StatistikUji:
𝑄 = 𝑛(𝑛 + 2) ∑��(𝑗)2
(𝑛 − 𝑗)
𝑘
𝑗=1
(2. 6)
dengan 𝑄~𝜒2(𝑘 − (𝑝 + 𝑞)), 𝑘 > (𝑝 + 𝑞)
��(𝑗) : Nilai sampel ACF pada lag-j
p dan q : Orde dari model ARMA (p,q)
k : Lag maksimum
Keputusannya adalah dengan menggunakan taraf signifikansi 𝛼=5%, jika
Q > 𝑋2(𝑘 − (𝑝 + 𝑞)) atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 lebih kecil dari 𝛼 = 5% maka 𝐻0 ditolak,
artinya terdapat autokorelasi pada residual.
2.6.2. Uji Normalitas
Uji normalitas pada residual model dapat dilakukan dengan menggunakan uji
Jarque-Bera, yaitu sebagai berikut:
𝐻0 : Data berdistribusi normal
𝐻1 : Data tidak berdistribusi normal
Statistik Uji [11] :
11
𝐽𝐵 = 𝑛 [𝑆2
6+
(𝐾 − 3)2
24]
(2. 7)
S =
1n ∑ (xi − x)3n
i=1
(1n ∑ (xi − x)2n
i=1 )
32
𝐾 =
1𝑛 ∑ (𝑥𝑖 − ��)4𝑛
𝑖=1
(1𝑛 ∑ (𝑥𝑖 − ��)2𝑛
𝑖=1 )2
Dengan S adalah skewness, K adalah kurtosis, x adalah data pengamatan, n
adalah jumlah data. Jika suatu variabel didistribusikan secara normal maka nilai
koefisien 𝑆 = 0 dan 𝐾 = 3 [11]. Keputusannya adalah dengan menggunakan taraf
signifkansi 𝛼 = 5% jika JB lebih besar dari 𝜒𝛼,22 atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 lebih kecil dari
𝛼 = 5% maka tolak 𝐻0, artinya data tidak berdistribusi normal.
2.6.3. Uji Heteroskedastisitas
Uji heteroskedastisitas dapat dilakukan dengan uji ARCH Lagrange
Multiplier (ARCH LM), yaitu dengan cara berikut [3]:
𝐻0 : tidak terdapat efek ARCH/GARCH dalam residual sampai lag ke-m
𝐻1 : terdapat efek ARCH/GARCH dalam residual
Statistik uji : LM = nR2
(2. 8)
Dengan n adalah banyaknya data, dan 𝑅2 menunjukkan nilai koefisien
determinasi dalam regresi dari residual kuadratik sampai lag ke-m, diperoleh LM
akan berdistribusi 𝑋𝑚2 . Keputusannya adalah dengan menggunakan taraf
signifikansi 𝛼 = 5% jika nilai 𝐿𝑀 > 𝑋(𝛼,𝑚)2 atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 𝑙𝑒𝑏𝑖ℎ 𝑘𝑒𝑐𝑖𝑙 𝑑𝑎𝑟𝑖 𝛼 =
5% maka 𝐻0 ditolak, artinya terdapat efek ARCH/GARCH dalam residual.
12
2.7. Model ARCH
Model yang mengasumsikan bahwa varian residual tidak konstan dalam data
time series yang dikembangkan oleh Engle, model tersebut disebut model
Autoregressive Conditional Heteroscedasticity (ARCH) [11]. Engle [14]
memperkenalkan ARCH (p) yang didefinisikan sebagai berikut:
σt2 = α0 + ∑ αi
p
i=1
et−i2
(2. 9)
Dengan 𝑒𝑡 adalah residual pada periode t, 𝜎𝑡2 adalah variansi residual pada periode
t, 𝛼0 > 0 dan 𝛼𝑖 ≥ 0 untuk 𝑖 = 1, 2, ⋯ , 𝑞.
2.8. Model GARCH
Model ARCH dari Robert Engle kemudian disempurnakan oleh Tim
Bollerslev. Bollerslev menyatakan bahwa varian variabel residual tidak hanya
tergantung dari residual periode lalu tetapi juga varian variabel residual periode lalu
[11]. Bollerslev [15] memperkenalkan model GARCH dengan persamaan berikut:
σt2 = α0 + ∑ αi
p
i=1
et−i2 + ∑ bj
q
j=1
σt−j2
(2. 10)
Dimana 𝛼0 > 0, 𝛼𝑖 ≥ 0 untuk 𝑖 = 1, ⋯ ⋯ , 𝑞, dan 𝑏𝑗 ≥ 0, untuk 𝑗 = 1, ⋯ ⋯ , 𝑞
Namun model GARCH mempunyai kekurangan, yaitu gagal dalam
mendeskripsikan sifat asimetris (leverage effect) didalam volatilitas return [16].
2.9. Efek Asimetris
Volatilitas bereaksi secara berbeda terhadap kenaikan harga yang besar atau
penurunan harga yang besar, yang disebut sebagai leverage effect (efek asimetris).
Beberapa model volatilitas diusulkan secara khusus untuk memperbaiki kelemahan
yang ada pada model GARCH karena ketidakmampuannya untuk menangkap
karakteristik asimetris, yaitu dengan model GARCH asimetris [10]. Cara untuk
mengidentifikasi adanya efek asimetris didalam model adalah dengan menganalisis
korelasi silang (cross correlation) antara 𝑒𝑡2 (residual kuadrat) dengan 𝑒𝑡 (lag
13
residual) [17]. Keputusannya adalah apabila terdapat garis yang melewati batas
signifikan pada plot cross correlation, maka model dinyatakan memiliki efek
asimetris.
2.10. Model TGARCH
Salah satu model GARCH asimetris yang mampu memodelkan efek asimetris
adalah model Threshold GARCH (TGARCH) yang diperkenalkan oleh Glosten,
Jagannathan, dan Runkle dan Zakoian. Model TGARCH (p,q) didefinisikan dengan
[10]:
σt2 = α0 + ∑(αi
p
i=1
+ γiNt−i)et−i2 + ∑ bjσt−j
2
q
j=1
(2. 11)
Dimana 𝑁𝑡−𝑖 adalah sebuah indikator untuk negatif 𝑒𝑡−𝑖 sehingga
𝑁𝑡−𝑖 {1, 𝑒𝑡−𝑖 < 00, 𝑒𝑡−𝑖 ≥ 0
𝛼𝑖 > 0, 𝑏𝑗 > 0 dan 𝑎𝑖 , 𝛾𝑖 , 𝑏𝑗 adalah parameter yang diestimasi.
2.11. Metode Quasi Maximum Likelihood Estimation (QMLE)
Pada data keuangan seringkali diasumsikan bahwa model memiliki error yang
berdistribusi secara normal. Pada kenyataannya, tidak semua error pada data
mengikuti distribusi normal. Oleh karena itu, QMLE dapat digunakan jika asumsi
normalitas error terlanggar atau tidak mengikuti distribusi yang diasumsikan [4].
Estimasi QMLE masih tetap memanfaatkan metode maximum likelihood sebagai
dasar, sehingga perhitungan variansi-kovariansi quasi juga merupakan nilai-nilai
yang dihasilkan dari metode maximum likelihood [18]. Fungsi likelihood dituliskan
dengan:
𝐿(𝜃) = ∏ 𝑓(𝑥𝑖; 𝜃)
𝑛
𝑖=1
Estimasi maximum likelihood 𝜃 untuk 𝜃 adalah memaksimumkan fungsi log 𝐿(𝜃),
yaitu dengan cara menyelesaikan persamaan berikut.
14
𝜕 log 𝐿(𝜃)
𝜕 𝜃= ∑
𝜕 log 𝐿𝑖(𝜃)
𝜕 𝜃= 0
𝑛
𝑖=1
Apabila asumsi normalitas terlanggar maka pendugaan parameter menggunakan
metode quasi maximum likelihood, yaitu dengan memaksimumkan fungsi gaussian
log likelihood dengan syarat menggunakan matriks kovarian pada QMLE yang
umumnya disebut sebagai sandwich formula didefinisikan sebagai berikut [13]:
V = I(θ)−1 J(θ) I(θ)−1
𝐼𝑖(𝜃) = 𝐸 {−𝜕2 log 𝐿𝑖(𝜃)
𝜕𝜃 𝜕𝜃′}
𝐽𝑖(𝜃) = 𝐸{𝑠𝑖(𝜃)𝑠𝑖(𝜃)′}
Dimana
𝑠𝑖(𝜃) =𝜕 log 𝐿𝑖(𝜃)
𝜕𝜃
Dengan keterangan bahwa 𝑠(𝜃) disebut sebagai sector, 𝐼(𝜃) disebut sebagai fisher,
dan V adalah matriks kovarian.
2.12. Pemilihan Model Terbaik
Pemilihan model terbaik dari beberapa model yang ada dapat menggunakan
AIC. AIC mengasumsikan bahwa model statistik dari parameter M dipasang ke
data. Kriteria AIC didefinisikan sebagai berikut [19]:
AIC(M) = −2 ln[maximum likelihood] + 2M
Dimana M adalah jumlah parameter didalam model. Berdasarkan metode AIC
pemilihan model terbaik adalah model dengan nilai AIC terkecil.
Didalam pemilihan model juga dipertimbangkan menggunakan prinsip
parsimony, yaitu model yang digunakan adalah model dengan jumlah parameter
yang kecil atau model sederhana yang dapat merepresentasikan data deret waktu
[12].
15
2.13. Akurasi Prakiraan
Jika tujuan utama model adalah untuk melakukan prakiraan nilai masa depan,
maka kriteria alternatif untuk pemilihan model dapat didasarkan pada kesalahan
pada prakiraan (forecast error). Nilai forecast error ke-𝑙 dinyatakan sebagai [19].
𝑒𝑙 = 𝑌𝑛+𝑙 − ��𝑛(𝑙)
Mean Square Error (MAPE) didefinisikan sebagai
MAPE = (1
M∑ |
𝑒𝑙
𝑌𝑛+𝑙|
M
l=1
) 100%
(2. 12)
Mean Absolute Error (MAE) didefinisikan sebagai
MAE =1
M∑|el|
M
l=1
(2. 13)
Dengan 𝑌𝑛+𝑙 adalah data actual, ��𝑛(𝑙) hasil prakiraan, n adalah observasi yang
dievaluasi, dan M adalah banyaknya nilai error yang diamati. Terdapat beberapa
kriteria penilaian MAPE yang dapat digunakan untuk melihat kemampuan
prakiraan, yaitu ditunjukkan pada Tabel 2.2 [20].
Tabel 2. 2 Kriteria Penilaian MAPE
MAPE Keterangan
<10% Kemampuan prakiraan yang sangat baik
10-20% Kemampuan prakiraan yang baik
20-50% Kemampuan prakiraan yang masuk akal
>50% Kemampuan prakiraan yang buruk
2.14. Extreme Value Theory (EVT) dan Peak Over Threshold (POT)
Dalam kaitannya dengan manajemen risiko, EVT dapat meramalkan
terjadinya kejadian ekstrem pada data fat tails yang tidak dapat dilakukan dengan
pendekatan tradisional lainnya [7]. VaR merupakan metode perhitungan risiko
kuangan yang paling umum yang dapat dimodelkan oleh EVT [5].
16
Peak Over Threshold (POT) merupakan salah satu metode EVT yang
digunakan untuk menentukan nilai ekstrem dengan menetapkan sebuah ambang
batas (threshold), nilai yang melebihi dari threshold adalah nilai yang ditetapkan
sebagai nilai ekstrem. Didalam metode POT nilai ekstrem diasumsikan mengikuti
distribusi Generalized Pareto Distribution (GPD). Pemilihan threshold dilakukan
sedemikian sehingga data yang berada diatas threshold tersebut 10% dari
keseluruhan data yang telah diurutkan dari data terbesar hinga terkecil [10].
Didalam metode POT langkah awalnya adalah menetapkan nilai threshold 𝑢
dan mengasumsikan bahwa residual yang melebihi nilai threshold ini akan
mengikuti distribusi GPD, distribusi GPD mempunyai cdf yang dapat dituliskan
sebagai berikut sebagai berikut [21]:
Gξ,β(y) = {1 − (1 +
ξy
β)
−1ξ if ξ ≠ 0
1 − e−
yβ if ξ = 0
Dengan 𝜉 adalah parameter bentuk (shape) dan 𝛽 adalah parameter skala (scale).
𝛽 > 0, 𝑦 ≥ 0 ketika 𝜉 ≥ 0, dan 0 ≤ 𝑦 ≤ −𝛽
𝜉 ketika 𝜉 < 0.
2.15. Value at Risk
Pengukuran risiko perlu dilakukan agar risiko berada dalam tingkatan yang
terkendali sehingga dapat mengurangi terjadinya kerugian berinvestasi. Salah satu
metode yang berkembang pesat dan sangat populer dipergunakan saat ini ialah
Value at Risk (VaR) yang dipopulerkan oleh J.P.Morgan pada tahun 1994 [7].
Untuk menghitung VaR yang melibatkan nilai ekstrem dapat melalui pendekatan
GPD. Diketahui bahwa n adalah jumlah data dan 𝑁𝑢 adalah jumlah data diatas nilai
threshold u, maka nilai VaR untuk pendekatan GPD dapat dituliskan sebagai
berikut [22].
VaRq = u +β
ξ ((
n
Nu
(1 − q))
−ξ
− 1)
(2. 14)
17
EVT tidak hanya dapat digunakan untuk menghitung nilai VaR, tetapi juga
dapat dikombinasikan dengan model deret waktu terkait untuk memprakirakan satu
hari ke depan perhitungan risiko. Perhitungan nilai VaR dengan EVT yang
melibatkan model runtun waktu disebut dengan VaR dinamik [5]. Perhitungan VaR
dinamik dilakukan dengan menggunakan 2 langkah berikut [6]:
1. Data dimodelkan dengan model GARCH melalui estimasi quasi
maximum likelihood. Model GARCH memberikan residual yang
digunakan untuk langkah kedua dan memberikan nilai prakiraan ��𝑡+1
dan ��𝑡+1.
2. EVT (metode POT) diaplikasikan ke residual hasil langkah pertama
untuk pemilihan threshold u dan mengestimasi VaRq untuk menghitung
nilai risiko.
Apabila terdapat efek asimetris maka digunakan model GARCH asimetris,
pada penelitian ini model GARCH asimetris yang digunakan adalah TGARCH.
VaR dinamik untuk model TGARCH didefinisikan sebagai berikut [22]:
VaRqt+1 = μt+1 + σt+1 VaRq
(2. 15)
Dengan ��𝑡+1 adalah prakiraan mean yang diperoleh dari model ARMA (p,q) dan
��𝑡+1 adalah prakiraan variansi yang diperoleh dari model TGARCH (p,q).
18
BAB III
METODE PENELITIAN
3.1. Metode Pengumpulan Data
Pada penelitian ini penulis menggunakan data sekunder, yaitu data harga
penutupan saham (closing price) PT Hotel X Tbk yang diakses melalui website
www.yahoofinance.com. Pemilihan harga saham pada saat closing price
dikarenakan harga penutupan pada hari ini dijadikan acuan harga pada saat
pembukaan pada hari selanjutnya [7]. Penelitian ini menggunakan data harian
dengan interval waktu 2 Januari 2017 sampai dengan 21 November 2019.
3.2. Metode Pengolahan Data
Pengolahan data dilakukan untuk memodelkan volatilitas yang terdapat
didalam data saham PT Hotel X Tbk, selanjutnya dihitung nilai value at risk.
Tahapan-tahapan pengolahan data yang dilakukan dalam penelitian ini, yaitu :
1. Menghitung return saham dari data harga penutupan saham PT Hotel X Tbk
melalui persamaan (2.1).
2. Menganalisis statistika deskriptif data return saham untuk melihat
karakteristik data return saham.
3. Menguji stasioneritas data return saham dengan Uji Augmented Dickey
Fuller Test (ADF) menggunakan persamaan (2.2).
4. Melakukan pendugaan model ARMA dengan membuat plot ACF (2.3) dan
PACF (2.4), plot EACF, dan Plot BIC.
5. Estimasi parameter model ARMA dan uji signifikansi parameter
menggunakan persamaan (2.5).
6. Melakukan pemilihan model ARMA terbaik, kemudian melakukan cek
diagnostik pada residual model ARMA terbaik menggunakan persamaan
(2.6)-(2.8).
19
7. Jika terdapat kondisi heteroskedastisitas maka tahapan selanjutnya adalah
melakukan pendugaan model ARCH (2.9) dan GARCH (2.10) dengan
menggunakan Plot ACF dan PACF dari data residual kuadrat.
8. Estimasi parameter ARCH/GARCH dan melakukan pemilihan model
ARCH/GARCH terbaik.
9. Melakukan uji adanya efek asimetris terhadap model GARCH dengan
menggunakan cross correlation.
10. Jika terdapat efek asimetris maka tahapan selanjutnya adalah memodelkan
data dengan model TGARCH (2.11)
11. Estimasi parameter model TGARCH dan pemilihan model TGARCH
terbaik.
12. Melakukan Uji Ljung-Box menggunakan persamaan (2.6) dan Uji ARCH-
LM menggunakan persamaan (2.8) pada residual model TGARCH untuk
melihat apakah masih terdapat korelasi dan efek ARCH pada residual model
TGARCH.
13. Melakukan prakiraan harga saham dan menghitung forecast error dengan
MAPE (2.12) dan MAE (2.13) untuk data harga saham aktual dan harga
saham prakiraan.
14. Menentukan nilai ekstrem dari residual model TGARCH dengan
menggunakan metode Peak Over Threshold (POT).
15. Mengestimasi parameter dari distribusi Generalized Pareto Distribution
(GPD).
16. Menghitung Value at Risk dengan pendekatan GPD berdasarkan persamaan
(2.14) dan Value at Risk dinamik berdasarkan persamaan (2.15).
20
3.3. Alur Penelitian
Gambar 3. 1 Alur Penelitian
21
BAB IV
HASIL DAN PEMBAHASAN
4.1. Data Harga Penutupan Saham
Penelitian ini menggunakan data harga penutupan saham periode harian dari
saham PT Hotel X Tbk dengan interval waktu 2 Januari 2017 sampai dengan 21
November 2019. Pola pergerakan harga penutupan saham PT Hotel X Tbk pada
periode 2 Januari 2017 sampai dengan 21 November 2019 dapat dilihat melalui
Gambar 4.1.
Gambar 4. 1 Plot Harga Penutupan Saham Hotel X
Berdasarkan Gambar 4.1 pola pergerakan harga saham PT Hotel X Tbk
mengalami peningkatan kemudian menurun setelah mencapai harga tertinggi. Pada
periode 2 Januari 2017 sampai dengan 21 November 2019 data harga penutupan
saham PT Hotel X Tbk mempuyai rata-rata Rp. 2.282,97, harga saham terendah
berada pada Rp.870 yaitu terjadi pada tanggal 6-8 Maret 2017, dan harga saham
tertinggi berada pada Rp. 5.300 yaitu terjadi pada tanggal 25 Januari 2019.
22
4.2. Return Saham
Data yang digunakan pada penelitian ini adalah data return saham, oleh
karena itu data harga penutupan saham PT Hotel X Tbk ditransfromasi menjadi data
return saham. Transformasi data harga penutupan saham menjadi data return saham
dilakukan dengan menggunakan persamaan (2.1). Pada penelitian ini data pada
periode 2 Januari 2017 sampai dengan 31 Oktober 2019 digunakan sebagai data in
sample dengan jumlah 732 data return dan periode 1 November 2019 sampai
dengan 21 November 2019 digunakan sebagai data out sample dengan jumlah 15
data return. Statistika deskriptif data insample return saham dapat dilihat pada
Tabel 4.1.
Tabel 4. 1 Statistika Deskriptif Return Saham
Mean 0.00172
Std.deviasi 0.03562
Min -0.21706
Max 0.22314
Skewness 0.61
Kurtosis 12.74
Berdasarkan Tabel 4.1 nilai rata-rata dari return saham PT Hotel X Tbk pada
periode 2 Januari sampai dengan 31 Oktober 2019 adalah 0.00172 dan nilai standar
deviasinya adalah 0.03562, kemudian return saham PT Hotel X Tbk mempunyai
nilai minimum -0.21706 dan nilai maksimum 0.22314. Nilai skewness 0.61
menandakan bahwa data return saham mempunyai ekor bagian kanan yang lebih
panjang dibandingkan ekor bagian kirinya, nilai kurtosis 12.74 yang lebih dari 3
artinya data return saham tidak berdistribusi normal dan mengindikasikan bahwa
data return saham memiliki kurva leptokurtic (meruncing), maka data return saham
mempunyai sifat fat tails. Plot return saham PT Hotel X Tbk dapat dilihat pada
Gambar 4.2.
23
Gambar 4. 2 Plot Data Return Saham
Pada Gambar 4.2 dapat dilihat bahwa secara grafik data return saham sudah
stasioner. Selain melihat secara grafik melalui plot return saham PT Hotel X Tbk
diperlukan pengujian lebih lanjut untuk mengetahui apakah data return saham PT
Hotel X Tbk stasioner atau tidak, yaitu dengan menggunakan uji stasioneritas
melalui uji ADF.
4.3. Pemodelan Runtun Waktu
4.3.1. Uji Stasioner
Langkah awal didalam memodelkan data return saham PT Hotel X Tbk
adalah melakukan uji stasioner pada data return saham. Pada penelitian ini uji
stasioner dilakukan menggunakan uji Augmented Dickey Fuller (ADF). Uji ADF
pada return saham dapat dilihat pada Tabel 4.2.
24
Tabel 4. 2 Uji Augmented Dickey Fuller Return Saham
Uji p-value
Uji ADF 0.01
Berdasarkan Tabel 4.2 pengujian stasioner melalui uji ADF diketahui bahwa
data return saham PT Hotel X Tbk sudah stasioner karena diperoleh nilai p-value
= 0.01 yang lebih kecil dari taraf signifikansi 𝛼 = 0.05 sehingga dapat
disimpulkan bahwa 𝐻0 ditolak, artinya data return saham PT Hotel X Tbk stasioner.
4.3.2. Identifikasi Model
Tahapan selanjutnya setelah diketahui bahwa data return saham PT Hotel X
Tbk dinyatakan stasioner adalah melakukan identifikasi model ARMA (p,q).
Identifikasi model ARMA (p,q) dapat dilakukan melalui plot ACF, PACF, EACF,
dan BIC. Gambar 4.3 memperlihatkan plot ACF dan PACF dari data return saham
PT Hotel X Tbk.
Gambar 4. 3 Plot ACF dan PACF Return Saham
25
Berdasarkan Gambar 4.3 terlihat bahwa pada plot ACF dan PACF tidak ada
lag yang melebihi batas signifikan atau tidak ada lag yang terputus. Identifikasi
model ARMA (p,q) jika dilihat pada plot ACF dan PACF tersebut maka model yang
terbentuk adalah ARMA (0,0). Selain menggunakan plot ACF dan PACF, untuk
melakukan identifikasi model ARMA (p,q) dapat juga menggunakan plot EACF
seperti Gambar 4.4 yaitu dengan melihat pola segitiga yang terbentuk.
Gambar 4. 4 Plot EACF Return Saham
Berdasarkan Gambar 4.4 jika dilihat dari pola segitiga yang terbentuk pada
plot EACF maka diketahui bahwa model ARMA (p,q) yang terbentuk adalah
ARMA (0,0). Identifikasi model ARMA (p,q) dapat juga dilakukan dengan melihat
plot BIC seperti Gambar 4.5.
26
Gambar 4. 5 Plot BIC Return Saham
Berdasarkan plot BIC yang terlihat pada Gambar 4.5 test lag
menginterpretasikan model AR dan error lag menginterpretasikan model MA maka
model yang diperoleh adalah AR (2) dan MA (2) sebagai kandidat model. Selain
menggunakan cara di atas untuk mengidentifikasi model ARMA (p,q), didalam
software R identifikasi model ARMA (p,q) dapat juga menggunakan perintah
fungsi auto.arima didalam package forecast. Berdasarkan perintah fungsi
auto.arima model yang dihasilkan adalah model MA (2) with non-zero mean. Hasil
identifikasi model ARMA yang dilakukan dengan plot ACF, PACF, EACF, dan
BIC didapatkan kandidat model ARMA adalah ARMA (0,0), AR (2), dan MA (2).
Selain model-model tersebut penulis mencoba melakukan overfitting terhadap
model yang sudah didapatkan sebelumnya, yaitu dengan cara membandingkan
model dengan model lain yang berbeda satu orde diatasnya. Model yang didapat
pada proses overfitting adalah AR (1), MA (1), ARMA (1,2), dan ARMA (2,1).
Tahapan selanjutnya setelah mendapatkan kandidat model adalah melakukan
estimasi parameter model ARMA (p,q).
27
4.3.3. Estimasi Parameter Model ARMA (p,q)
Setelah mendapatkan kandidat model ARMA (p,q) pada proses identifikasi
model, maka dilakukan estimasi parameter model ARMA (p,q). Hasil estimasi
parameter model ARMA (p,q) dapat dilihat pada Tabel 4.3 berikut.
Tabel 4. 3 Estimasi Parameter Model ARMA
No. Model Parameter
Standar
Error
Signifikansi AIC
1.
AR (1) Intercept 0.0017
0.0012
Tidak -2801.81
∅1 -0.0518
0.0369
Tidak
2. AR (2) Intercept 0.0017
0.0012
Tidak -2803.34
∅1 -0.0555
0.0369
Tidak
∅2 -0.0694
0.0368
Tidak
3. MA
(1)
Intercept 0.0017
0.0012
Tidak -2802.13
𝜃1 -0.0606
0.0400
Tidak
4. MA
(2)
Intercept 0.0017
0.0011
Tidak -2804.14
𝜃1 -0.0641
0.0370
Tidak
𝜃2 -0.0754
0.0375
Ya
5. ARMA
(0,0)
Intercept 0.0017
0.0013
Tidak -2801.83
7. ARMA
(1,2)
Intercept 0.0017
0.0010
Tidak -2804.07
28
∅1 0.4567
0.2342
Tidak
𝜃1 -0.5184
0.2349
Ya
𝜃2 -0.0485
0.0463
Tidak
8. ARMA
(2,1)
Intercept 0.0017
0.0010
Tidak -2804.13
∅1 0.5216
0.1953
Ya
∅2 -0.0456
0.0432
Tidak
𝜃1 -0.5822
0.1929
Ya
Pada uji signifikansi, parameter dikatakan signifikan apabila koefisien
parameter dibagi dengan standar error maka nilainya lebih kecil dari −1.96 atau
lebih besar dari 1.96. Berdasarkan Tabel 4.3 didapatkan model terbaik adalah
ARMA (0,0), maka model yang digunakan untuk memodelkan mean adalah ARMA
(0,0) dengan persamaan model sebagai berikut:
𝑟𝑡 = 𝐶 + 𝜀𝑡
Pada Tabel 4.3 diketahui bahwa intercept pada model ARMA (0,0) tidak signifikan
maka intercept dapat dibuang dari model ARMA (0,0), sehingga model mean untuk
data return saham PT Hotel X Tbk dapat ditulis sebagai berikut:
𝑟𝑡 = 𝜀𝑡
4.3.4. Uji Diagnostik Model ARMA
Pada tahap ini dilakukan uji diagnostik pada model ARMA (p,q) terbaik yaitu
model ARMA (0,0), dengan melakukan uji autokorelasi (white noise), uji
normalitas, dan uji heteroskedastisitas pada residual model, pada penelitian ini
residual merupakan return saham (𝑟𝑡). Uji autokorelasi dapat dilakukan dengan uji
L-jung Box yang dapat dilihat pada Tabel 4.4.
29
Tabel 4. 4 Uji Autokorelasi Return Saham
Uji p-value
Uji Ljung-Box 0.6749
Pada Tabel 4.4 menunjukkan uji Ljung-Box pada return saham menghasilkan
p-value = 0.6749 yang lebih besar dari taraf signifikan 𝛼 = 0.05 sehingga dapat
diambil kesimpulan bahwa 𝐻0 tidak ditolak, artinya tidak terdapat autokorelasi pada
return saham. Untuk menguji normalitas dapat dilakukan dengan uji Jarque-Bera
seperti terlihat pada Table 4.5.
Tabel 4. 5 Uji Normalitas Return Saham
Uji p-value
Jarque-Bera < 2.2e-16
Berdasarkan Tabel 4.5 uji normalitas dengan menggunakan uji Jarque-Bera
menghasilkan p-value < 2.2𝑒 − 16 yang lebih kecil dari taraf signifikan 𝛼 = 0.05
sehingga dapat disimpulkan bahwa 𝐻0 ditolak, artinya return saham tidak
berdistribusi normal.
Untuk menguji heteroskedastisitas pada return saham terdapat dua uji yang
dapat digunakan, yaitu uji L-jung Box pada return kuadrat dan Uji ARCH-LM pada
return. Berikut adalah uji heteroskedastisitas pada return saham menggunakan uji
Ljung-Box pada Tabel 4.6 dan uji ARCH-LM pada Tabel 4.7.
Tabel 4. 6 Uji Ljung-Box Pada Return Kuadrat
Uji p-value
Ljung-Box 0.002956
30
Pada Tabel 4.6 menunjukkan bahwa uji Ljung-Box pada return kuadrat
menghasilkan p-value = 0.002956 yang lebih kecil dari taraf signifikansi α = 0.05
sehingga dapat disimpulkan bahwa 𝐻0 ditolak, artinya data return mengandung
efek heteroskedastisitas (efek ARCH). Selain menggunakan uji Ljung-Box dari
return kuadrat, uji efek ARCH dapat juga dilakukan dengan uji ARCH-LM seperti
ditunjukkan pada Tabel 4.7 berikut.
Tabel 4. 7 Uji ARCH-LM Pada Return Saham
Uji p-value
ARCH-LM 0.03016
Berdasarkan Tabel 4.7 pada uji ARCH-LM dari return menghasilkan p-value
= 0.03016 yang lebih kecil dari taraf signifikansi α = 0.05 sehingga dapat
disimpulkan bahwa 𝐻0 ditolak, artinya data return mengandung efek ARCH. Hasil
yang didapatkan melalui uji Ljung-Box pada return kuadrat dan uji ARCH-LM
pada return menunjukkan kedua uji menghasilkan keputusan yang sama yaitu
terdapat efek ARCH pada return saham.
4.4. Identifikasi dan Estimasi Model ARCH/GARCH
Karena return saham mengandung efek heteroskedastisitas maka return
saham dimodelkan dengan ARCH/GARCH. Untuk mengidentifikasi model ARCH
digunakan plot ACF dan PACF dari return kuadrat seperti terlihat pada Gambar
4.6. Estimasi parameter model ARCH, GARCH, dan TGARCH menggunakan
Quasi Maximum Likelihood (QMLE) karena data return tidak terdistribusi secara
normal.
31
Gambar 4. 6 Plot ACF dan PACF Return Kuadrat
Pada Gambar 4.6 dapat diamati bahwa berdasarkan lag yang melewati batas
signifikan atau lag yang terputus, pendugaan model ARCH (p) dilakukan dengan
orde terbesar adalah 3. Estimasi parameter model ARCH (p) dapat dilihat pada
Tabel 4.8 berikut.
Tabel 4. 8 Estimasi Parameter Model ARCH
No
Model Parameter Standar
Error
Signifikansi AIC
1. ARCH (1) 𝜔 0.0010446
0.0001719 Ya -3.900291
𝛼1 0.1955698 0.1219545
Tidak
2. ARCH (2) 𝜔 0.0009883
0.0001727 Ya -3.916479
𝛼1 0.0984626
0.0453356 Ya
𝛼2 0.1142542
0.0909757 Tidak
3. ARCH (3) 𝜔 0.0009336 0.0001698 Ya -3.930522
32
𝛼1 0.0993434
0.0450187 Ya
𝛼2 0.1038868
0.0886626 Tidak
𝛼3 0.0476353
0.0482671 Tidak
Berdasarkan Tabel 4.8 diketahui bahwa pada model ARCH (1), ARCH (2),
dan ARCH (3) terdapat parameter dari masing-masing model yang tidak signifikan,
analisis dilanjutkan dengan model GARCH (p,q). Dalam dataran praktis, seringkali
digunakan model GARCH (p,q) dengan order p dan q yang kecil (≤ 2) sebagai
alternatif untuk model ARCH (p) [3]. Estimasi parameter GARCH (p,q)
ditunjukkan pada Tabel 4.9 berikut.
Tabel 4. 9 Estimasi Parameter Model GARCH
No. Model Parameter
Standar
Error
Signifikansi AIC
1. GARCH
(1,1)
𝜔 0.0005129 0.0001454 Ya -3.928383
𝛼1 0.1382677
0.0530696
Ya
𝛽1 0.4513489
0.0998392
Ya
2. GARCH
(1,2)
𝜔 5.138e-04
2.000e-04 Ya -3.925248
𝛼1 1.378e-01
8.170e-02
Tidak
𝛽1 4.511e-01
7.403e-01
Tidak
33
𝛽2 1.000e-08
5.642e-01 Tidak
3. GARCH
(2,1)
𝜔 0.0006593
0.0001842 Ya -3.930613
𝛼1 0.0957380
0.0429392 Ya
𝛼2 0.0921860
0.0873018 Tidak
𝛽1 0.2862076
0.1440913 Ya
4. GARCH
(2,2)
𝜔 6.593e-04
3.776e-04 Tidak -3.927881
𝛼1 9.574e-02
4.485e-02 Ya
𝛼2 9.219e-02
9.522e-02 Tidak
𝛽1 2.862e-01
1.006e+00 Tidak
𝛽2 1.000e-08
6.389e-01
Tidak
Berdasarkan Tabel 4.9 model GARCH (p,q) terbaik yang diperoleh adalah
GARCH (1,1) karena memiliki nilai parameter yang signifikan didalam model.
Model GARCH (1,1) dapat dituliskan melalui persamaan berikut.
𝑟𝑡 = 𝑒𝑡
𝜎𝑡2 = 0.0005129 + 0.1382677 et−1
2 + 0.4513489 σt−12
Dengan 𝑟𝑡 adalah return saham pada periode ke t, 𝑒𝑡 adalah residual model pada
periode ke t, dan 𝜎𝑡2 adalah varian residual model pada periode ke t.
34
4.5. Model Asimetris TGARCH
4.5.1. Uji Model Asimetris
Model GARCH (1,1) yang sudah diketahui sebagai model terbaik lalu diuji
apakah terdapat efek asimetris didalam model atau tidak. Uji efek asimetris pada
GARCH (1,1) dilakukan dengan menggunakan cross-correlation seperti yang
ditunjukkan pada Gambar 4.7.
Gambar 4. 7 Plot Cross Correlation
Pada Gambar 4.7 diketahui bahwa terdapat garis yang melewati batas
signifikan, sehingga dapat disimpulkan bahwa terdapat efek asimetris pada model
GARCH (1,1). Karena mengandung efek asimeteris maka model yang digunakan
adalah model yang dapat mengatasi efek asimetris, yaitu model GARCH asimetris.
Pada penelitian ini model GARCH asimetris yang digunakan adalah model
Threshold GARCH (TGARCH).
35
4.5.2. Estimasi Parameter Model TGARCH
Karena model GARCH (1,1) menunjukkan sifat asimetris maka pemodelan
volatilitas dilanjutkan dengan model GARCH asimetris. TGARCH (p,q)
merupakan salah satu model GARCH (p,q) asimetris yang dapat digunakan,
estimasi parameter model TGARCH (p,q) dapat dilihat pada Tabel 4.10 berikut.
Tabel 4. 10 Estimasi Parameter Model TGARCH
No. Model Parameter Standar
Error
Signifikansi AIC
1. TGARCH
(1,1)
𝜔 0.000495 0.000250
Ya -3.928374
𝛼1 0.144658 0.101965 Tidak
𝛾 -0.033596 0.166978 Tidak
𝛽1 0.470100 0.200519 Ya
2. TGARCH
(1,2)
𝜔 0.000366 0.036402 Tidak -3.962998
𝛼1 0.100909 247.7708 Tidak
𝛾1 -0.014085 778.8527 Tidak
𝛽1 1.078574 449.4767 Tidak
𝛽2 -0.463889 392.4671 Tidak
3. TGARCH
(2,1)
𝜔 0.000624 0.000351
Tidak -3.928781
𝛼1 0.145486 0.073253 Ya
𝛾1 -0.080978 0.123125 Tidak
𝛼2 0.044098 0.124026 Tidak
𝛾2 0.063395 0.167900 Tidak
𝛽1 0.320972 0.308238 Tidak
36
4. TGARCH
(2,2)
𝜔 0.000344 0.728036 Tidak -3.956764
𝛼1 0.141236 135.8064 Tidak
𝛾1 -0.054296 438.5194 Tidak
𝛼2 -0.065212 346.3152 Tidak
𝛾2 0.109175 173.3034 Tidak
𝛽1 1.029230 695.5423 Tidak
𝛽2 -0.401651 60.00173 Tidak
Berdasarkan Tabel 4.10 model TGARCH (1,2) tidak dapat digunakan
karena nilai 𝛽2 < 0 dan model TGARCH (2,2) tidak dapat digunakan karena nilai
𝛼2 < 0 dan nilai 𝛽2 < 0. Model terbaik adalah TGARCH (1,1) karena memiliki
parameter yang signifikan, selain itu dengan mempertimbangkan prinsip parsimony
yaitu untuk memilih model dengan orde yang sederhana. Model TGARCH (1,1)
dapat ditulis dengan persamaan berikut.
rt = et
σt2 = 0.000495 + (0.144658 − 0.033596 Nt−1) et−1
2
+ 0.470100 σt−12
(2. 16)
Dengan 𝑁𝑡−1 = {1, 𝑒𝑡−1 < 00, 𝑒𝑡−1 ≥ 0
𝑟𝑡 adalah return saham pada periode ke t, 𝑒𝑡 adalah residual model pada periode ke
t, dan 𝜎𝑡2 adalah variansi residual model pada periode ke t.
4.6. Pengujian Kembali ARCH-LM dan Korelasi Pada Residual Kuadrat
Model TGARCH
Diketahui bahwa model terbaik yaitu TGARCH (1,1) maka analisis
dilanjutkan dengan menguji apakah masih terdapat efek ARCH pada residual model
TGARCH (1,1) melalui uji ARCH-LM dan menguji apakah terdapat korelasi pada
37
residual kuadrat model TGARCH (1,1). Uji efek ARCH menggunakan Uji ARCH-
LM ditunjukkan pada Tabel 4.11 dan Uji korelasi residual kuadrat menggunakan
uji Ljung-Box yang ditunjukkan pada Tabel 4.12 berikut.
Tabel 4. 11 Uji ARCH-LM Residual Model TGARCH (1,1)
Uji p-value
Uji ARCH-LM 0.9983
Pada Tabel 4.11 ditunjukkan bahwa hasil uji ARCH-LM pada residual
TGARCH (1,1) menghasilkan p-value = 0.9983 yang lebih besar dari taraf
signifikansi 𝛼 = 0.05, sehingga dapat disimpulkan bahwa 𝐻0 tidak ditolak, artinya
residual model tidak mengandung efek ARCH.
Tabel 4. 12 Uji Korelasi Residual Kuadrat Model TGARCH (1,1)
Uji p-value
Ljung-Box 0.9979
Berdasarkan Tabel 4.12 diperoleh bahwa uji Ljung-Box pada residual kuadrat
model TGARCH (1,1) menghasilkan p-value = 0.9979 yang lebih besar dari taraf
signifikansi 𝛼 = 0.05 sehingga dapat diambil kesimpulan bahwa 𝐻0 tidak ditolak,
artinya tidak terdapat korelasi pada residual kuadrat model TGARCH (1,1).
Berdasarkan Uji ARCH-LM dan Uji L-jung Box tersebut dapat disimpulkan bahwa
model TGARCH (1,1) adalah model yang sesuai dalam memodelkan volatilitas
pergerakan return saham PT Hotel X Tbk.
38
4.7. Prakiraan Dengan Model TGARCH
Model TGARCH (1,1) merupakan model terbaik yang diperoleh untuk
memodelkan volatilitas return saham PT Hotel X Tbk, tahapan berikutnya adalah
melakukan prakiraan dengan menggunakan model TGARCH (1,1) berdasarkan
persamaan (2.16) dengan periode 15 hari kedepan. Prakiraan dengan model
TGARCH (1,1) ditunjukkan pada Tabel 4.13.
Tabel 4. 13 Hasil Prakiraan 15 hari Kedepan Model TGARCH (1,1)
Hari Prakiraan untuk rata-rata Prakiraan untuk variansi
1 0 0.00099
2 0 0.00109
3 0 0.00114
4 0 0.00118
5 0 0.00120
6 0 0.00121
7 0 0.00122
8 0 0.00122
9 0 0.00122
10 0 0.00122
11 0 0.00123
12 0 0.00123
13 0 0.00123
14 0 0.00123
15 0 0.00123
Berdasarkan Tabel 4.13 hasil prakiraan rata-rata untuk 15 hari kedepan yaitu
semuanya bernilai nol. Sedangkan hasil prakiraan variansi untuk 15 hari kedepan
mempunyai nilai yang relatif meningkat. Hasil prakiraan data return saham akan
39
ditransformasikan kembali kedalam bentuk harga saham dan dibandingkan dengan
harga saham aktual. Perbandingan hasil prakiraan harga saham dengan harga saham
aktual dapat dilihat pada Tabel 4.14.
Tabel 4. 14 Harga Saham Aktual dan Harga Saham Prakiraan
Hari Harga Saham Aktual Harga Saham Prakiraan
1 3150 3150
2 3150 3150
3 3150 3150
4 3200 3150
5 3190 3150
6 3300 3150
7 3300 3150
8 3300 3150
9 3300 3150
10 3300 3150
11 3300 3150
12 3300 3150
13 3300 3150
14 3300 3150
15 3300 3150
MAE 106
MAPE 3.21%
Berdasarkan Tabel 4.14 ditunjukkan hasil perbandingan harga saham aktual
dan harga saham hasil prakiraan. Nilai MAE yang dihasilkan adalah 106 dan nilai
MAPE yang dihasilkan adalah 3.21%. Berdasarkan dari nilai MAE dan MAPE
tersebut diketahui bahwa kesalahan antara harga saham hasil prakiraan dengan
40
harga saham aktual relatif kecil, sehingga dapat dikatakan bahwa hasil prakiraan
cukup baik.
Gambar 4. 8 Plot Harga Saham Aktual dan Harga Saham Prakiraan
Pada Gambar 4.8 menunjukkan plot perbandingan pergerakan harga saham
aktual PT Hotel X Tbk dengan harga saham hasil prakiraan. Pada plot tersebut hasil
prakiraan harga saham terlihat konstan dibandingkan dengan harga saham aktual
PT Hotel X Tbk yang lebih menunjukkan adanya fluktuasi harga saham.
4.8. Penentuan Nilai Threshold dan Nilai Ekstrem
Setelah residual model TGARCH (1,1) telah memenuhi asumsi tidak adanya
efek ARCH maka tahapan berikutnya adalah menentukan nilai threshold dan nilai
ekstrem dari residual model TGARCH (1,1) menggunakan metode POT. Penentuan
nilai threshold dan nilai ekstrem dilakukan sedemikian sehingga data diatas nilai
threshold sebanyak 10% dari seluruh data, yaitu 10% × 732 = 73,2 kemudian
dibulatkan menjadi 73, sehingga threshold merupakan data urutan 74. Nilai ekstrem
41
adalah data yang berada diatas nilai threshold, nilai ekstrem diasumsikan mengikuti
distribusi GPD. Pada Gambar 4.9 ditunjukkan kesesuain nilai ekstrem dengan
distribusi GPD yang diperlihatkan melalui Q-Q Plot.
Gambar 4. 9 Kesesuaian Nilai Ekstrem Terhadap Distribusi GPD
Berdasarkan Gambar 4.9 dapat dilihat bahwa sebaran titik-titik mengikuti
garis linear, dimana titik-titik tersebut adalah data nilai ekstrem dan garis linear
adalah garis distribusi Generalized Pareto Distribution. Sehingga dapat
disimpulkan bahwa nilai ekstrem cukup sesuai dengan distribusi GPD.
4.9. Estimasi Parameter Generalized Pareto Distribution (GPD)
Setelah proses menentukan nilai threshold dan nilai ekstrem adalah
mengestimasi parameter GPD. Parameter GPD diestimasi dengan menggunakan
metode maximum likelihood, hasil perhitungan estimasi parameter GPD dapat
dilihat pada Tabel 4.15.
42
Tabel 4. 15 Estimasi Parameter Distribusi GPD
Parameter Nilai
�� 1.54685723
𝜉 -0.07690803
Berdasarkan Tabel 4.15 diketahui bahwa parameter skala (scale) yang
disimbolkan dengan �� mempunyai nilai 1.54685723 dan parameter bentuk (shape)
yang disimbolkan dengan 𝜉 mempunyai nilai -0.07690803. Parameter skala dan
parameter bentuk hasil estimasi digunakan untuk menghitung nilai VaR dengan
pendekatan GPD.
4.10. Value at Risk
Tahapan berikutnya setelah mendapatkan parameter distribusi GPD adalah
menghitung nilai VaR dengan pendekatakan GPD pada model TGARCH (1,1).
Terdapat beberapa nilai karakteristik yang diperlukan untuk menghitung VaR
dengan pendekatan GPD melalui metode POT, nilai karakteristik yang diperlukan
ditunjukkan pada Tabel 4.16.
Tabel 4. 16 Nilai Karakteristik Untuk VaR GPD Model TGARCH (1,1)
Karakteristik Nilai
𝑢 0.6349674
𝑛 732
𝑁𝑢 73
�� 1.54685723
𝜉 -0.07690803
43
Berdasarkan Tabel 4.16 diketahui bahwa nilai threshold (u) adalah
0.6349674 sehingga data residual yang melebihi nilai tersebut dikategorikan
sebagai nilai ekstrem. Banyaknya pengamatan residual (n) adalah 732 data dan
banyaknya data residual diatas nilai threshold (𝑁𝑢) adalah 73, sehingga diketahui
bahwa banyaknya nilai ekstrem adalah 73 data. Nilai parameter skala (��) adalah
1.54685723 dan nilai parameter bentuk (𝜉) adalah -0.07690803.
Berdasarkan nilai-nilai karakteristik pada Tabel 4.16 maka tahapan
selanjutnya adalah menghitung VaR dengan pendekatan GPD dengan
menggunakan persamaan (2.14). Nilai VaR dengan tingkat kepercayaan 95%
melalui pendekatan distribusi GPD dapat ditulis sebagai berikut.
𝑉𝑎��𝑞 = 𝑢 +��
𝜉 ((
𝑛
𝑁𝑢
(1 − 𝑞))
−𝜉
− 1)
𝑉𝑎��0.95 = 0.6349674 + (1.54685723
−0.07690803) ((
732
73(1 − 0.95))
0.07690803
− 1)
𝑉𝑎��0.95 = 1.675077
Saat nilai VaR dengan pendekatan GPD sudah didapatkan maka akan
dihitung nilai VaR dinamik dengan menggunakan persamaan (2.15) untuk
memprakirakan nilai resiko satu hari kedepan dengan memanfaatkan hasil
prakiraan model TGARCH (1,1), perhitungan VaR dinamik dengan tingkat
kepercayaan 95% dilakukan dengan proses sebagai berikut.
𝑉𝑎𝑅0.95𝑡+1 = ��𝑡+1 + ��𝑡+1 𝑉𝑎��0.95
= 0 + √0.00099 × 1.675077
= 0.052705
= 5.2705%
44
Nilai VaR dinamik melalui pendekatan model TGARCH (1,1) dan GPD
sudah diketahui, penulis mencoba membandingkan hasil tersebut dengan nilai VaR
dinamik melalui pendekatan GARCH (1,1) dan GPD untuk melihat apakah model
GARCH simetris dan GARCH asimetris menghasilkan nilai VaR dinamik yang
berbeda secara signifikan atau tidak. Prakiraan GARCH (1,1) untuk 15 hari kedepan
ditunjukkan pada Tabel 4.17 dan nilai karakteristik untuk VaR GPD model
GARCH (1,1) ditunjukkan pada Tabel 4.18.
Tabel 4. 17 Hasil Prakiraan 15 hari Kedepan Model GARCH (1,1)
Hari Prakiraan untuk rata-rata Prakiraan untuk variansi
1 0 0.00099
2 0 0.00110
3 0 0.00116
4 0 0.00119
5 0 0.00122
6 0 0.00123
7 0 0.00124
8 0 0.00124
9 0 0.00125
10 0 0.00125
11 0 0.00125
12 0 0.00125
13 0 0.00125
14 0 0.00125
15 0 0.00125
Pada Tabel 4.17 diketahui bahwa hasil prakiraan rata-rata untuk 15 hari
kedepan yaitu semuanya bernilai nol, sedangkan untuk variansi menghasilkan
45
prakiraan 15 hari kedepan yang relatif meningkat yang dapat dilihat pada Tabel
4.17. Selanjutnya akan ditentukan nilai karakteristik untuk VaR GPD dengan model
GARCH (1,1) menggunakan metode yang sama pada model TGARCH (1,1), yaitu
dengan metode POT. Hasil nilai karakteristik untuk VaR GPD pada model GARCH
(1,1) ditunjukkan pada Tabel 4.18.
Tabel 4. 18 Nilai Karakteristik Untuk VaR GPD Model GARCH (1,1)
Karakteristik Nilai
𝑢 0.6091149
𝑛 732
𝑁𝑢 73
�� 1.58398919
𝜉 -0.08930078
Berdasarkan Tabel 4.18 diketahui bahwa nilai threshold (u) adalah
0.6091149 sehingga data residual yang melebihi nilai tersebut dikategorikan
sebagai nilai ekstrem. Banyaknya pengamatan residual (n) adalah 732 data dan
banyaknya data residual diatas nilai threshold (𝑁𝑢) adalah 73, sehingga diketahui
bahwa banyaknya nilai ekstrem adalah 73 data. Nilai parameter skala (��) adalah
1.58398919 dan nilai parameter bentuk (𝜉) adalah -0.08930078. Nilai VaR dengan
tingkat kepercayaan 95% melalui pendekatan GPD pada model GARCH (1,1) dapat
ditulis sebagai berikut:
𝑉𝑎��𝑞 = 𝑢 +��
𝜉 ((
𝑛
𝑁𝑢
(1 − 𝑞))
−𝜉
− 1)
𝑉𝑎��0.95 = 0.6091149 + (1.58398919
−0.08930078) ((
732
73(1 − 0.95))
0.08930078
− 1)
46
𝑉𝑎��0.95 = 1.669688
Untuk perhitungan VaR dinamik dengan mengkombinasikan model GARCH (1,1)
dan GPD pada tingkat kepercayaan 95% didapatkan hasil sebagai berikut:
𝑉𝑎𝑅0.95𝑡+1 = ��𝑡+1 + ��𝑡+1 𝑉𝑎��0.95
= 0 + √0.00099 ×1.669688
= 0.052536
= 5.2536%
Hasil perhitungan VaR dinamik dengan mengkombinasikan model
TGARCH (1,1) dan GPD menghasilkan nilai 5.2705%, sedangkan pada
perhitungan VaR dinamik dengan mengkombinasikan model GARCH (1,1) dan
GPD menghasilkan nilai 5.2536%. Berdasarkan perbandingan VaR dinamik
dengan mengkombinasikan GPD pada model GARCH (1,1) dan TGARCH (1,1)
diketahui bahwa pada model GARCH (1,1) dan TGARCH (1,1) menghasilkan nilai
VaR dinamik yang tidak jauh berbeda. Sehingga dengan menggunakan GARCH
(1,1) dapat dipertimbangkan untuk menghitung VaR dinamik, akan tetapi
berdasarkan prosedur pemodelan volatilitas return saham yang mengandung efek
asimetris maka model VaR dinamik yang digunakan adalah model TGARCH (1,1).
VaR dinamik TGARCH (1,1) juga lebih besar dari GARCH (1,1), dimana investor
melihat risiko yang terbesar untuk menyiapkan kemungkinan kerugian maksimum.
Interpretasi yang didapatkan dari hasil perhitungan VaR dinamik melalui
pendekatan model TGARCH (1,1) dan GPD adalah seorang investor akan
menanggung kerugian maksimum sebesar 5.2705% untuk satu hari kedepan pada
tingkat kepercayaan 95%. Jika diasumsikan nilai yang diinvestasikan oleh investor
pada saham PT Hotel X Tbk adalah Rp. 1.000.000.000 maka investor akan
menanggung kerugian maksimum Rp. 52.705.000 untuk satu hari kedepan dengan
tingkat kepercayaan 95%.
47
BAB V
Penutup
5.1. Kesimpulan
Penelitian ini menggunakan harga penutupan saham PT Hotel X Tbk pada
periode 2 Januari 2017 sampai dengan 21 November 2019. Berdasarkan penelitian
yang dilakukan perbandingan VaR dinamik GARCH (1,1) dan GPD dengan VaR
dinamik TGARCH (1,1) dan GPD menghasilkan nilai yang tidak berbeda jauh,
sehingga model GARCH (1,1) dapat dipertimbangkan untuk perhitungan VaR
dinamik, akan tetapi apabila mengikuti prosedur pemodelan volatilitas return
saham yang mengandung efek asimetris maka model yang digunakan adalah
TGARCH (1,1), karena diketahui bahwa terdapat efek asimetris pada return saham
PT Hotel X Tbk. Model TGARCH (1,1) dari return saham PT Hotel X Tbk dapat
ditulis sebagai berikut.
𝑟𝑡 = 𝑒𝑡
𝜎𝑡2 = 0.000495 + 0.144658 et−1 − 0.033596 𝑁𝑡−1 𝑒𝑡−1 + 0.470100 𝜎𝑡−1
2
Dengan 𝑁𝑡−1 = {1, 𝑒𝑡−1 < 00, 𝑒𝑡−1 ≥ 0
Pada VaR dinamik TGARCH (1,1) dan GPD dengan menggunakan metode
POT untuk menentukan nilai ekstrem sebanyak 10% dari keseluruhan data, maka
didapatkan nilai ekstrem sebanyak 73 data. Selanjutnya pada estimasi parameter
GPD, didapatkan nilai parameter skala (��) adalah 1.54685723 dan nilai parameter
bentuk (𝜉) adalah −0.07690803. Dengan menggunakan tingkat kepercayaan 95%
perhitungan VaR dinamik yang mengkombinasikan model TGARCH (1,1) dan
GPD menghasilkan nilai 5.2705%, artinya jika seorang investor berinvestasi pada
saham PT Hotel X Tbk sebesar Rp. 1.000.000.000 maka dalam satu hari kedepan
akan mengalami kerugian maksimum sebesar Rp. 52.705.000.
48
5.2. Saran
Penelitian yang dapat dikembangkan dari penelitian ini yaitu menghitung
VaR dinamik dengan memodelkan data return pada model GARCH asimetris lain,
seperti EGARCH, GJR-GARCH, dan lain-lain, lalu dapat juga dibandingkan
dengan model GARCH simetris. Penelitian juga dapat dikembangkan dengan
perhitungan VaR dinamik menggunakan pendekatan kombinasi TGARCH dan
Generalized Extreme Value (GEV), atau dapat dikembangkan dengan
membandingkan model VaR dinamik TGARCH dengan pendekatan GEV dan
GPD, kemudian penelitian selanjutnya dapat dikembangkan menggunakan metode
backtesting VaR untuk mengetahui pelanggaran perhitungan VaR. Penelitian dapat
juga dikembangkan dengan menggunakan data yang real time.
49
REFERENSI
[1] "Data Kunjungan Wisatawan Mancanegara Bulanan Tahun 2019," [Online].
Available: http://www.kemenparekraf.go.id/post/data-kunjungan-wisatawan-
mancanegara-bulanan-tahun-2019. [Accessed 2 April 2020].
[2] I. Akbar, "Pengaruh Kualitas Pelayanan, Sarana dan Prasarana Terhadap
Kepuasan Serta Dampaknya Terhadap Loyalitas Konsumen Pada Industri
Perhotelan di Banda Aceh," Jurnal Manajemen dan Akuntansi, Vols. 5, no.1,
pp. 1-7, 2019.
[3] D. Rosadi, Ekonometrika dan Analisis Runtun Waktu Terapan Dengan
Eviews, Yogyakarta : Andi, 2012 .
[4] M. D. P. Tyas, D. A. I Maruddani, dan R. Rahmawati, "Perhitungan Vakue at
Risk Dengan Pendekatan Threshold Autoregressive Conditional
Heteroscedasticity-Generalized Extreme Value," Media Statistika, Vols. 12,
no.1, pp. 73-85, 2019.
[5] D. E. Allen, A. K. Singh, dan R. J. Powell, "EVT and tail-risk modelling :
Evidence from market indices and volatility series," North American Journal
of Economics and Finance, vol. 26, pp. 355-369, 2013.
[6] A. K. Singh, D. E. Allen, dan P. J. Robert, "Extreme Market Risk and Extreme
Value Theory," Mathematics and Computers in Simulation, vol. 94, pp. 310-
328, 2013.
[7] U. Zuhara, M. S. Akbar, dan Haryono, "Penggunaan Metode VaR (Value at
Risk) dalam Analisis Risiko Investasi Saham dengan Pendekatan Generalized
50
Pareto Distribution (GPD)," Jurnal Sains dan Seni ITS, Vols. 1, no.1, pp. 56-
61, 2012.
[8] A. Ambarsari, Sudarno, dan Tarno, "Perbandingan Pendekatan Generalized
Extreme Value dan Generalized Pareto Distribution Untuk Perhitungan Value
at Risk Pada Portofolio Saham," Jurnal Gaussian, Vols. 5, no.3, pp. 361-371,
2016.
[9] G. Supramono, Transaksi Bisnis Saham dan Penyelesaian Sengketa Melalui
Pengadilan, Jakarta: Prenadamedia Group, 2014.
[10] R. S. Tsay, Analysis of Financial Time Series, Third Edition, Canada: A John
Wiley & Sons, INC. PUBLICATION, 2010.
[11] A. Widarjono, Ekonometrika Pengantar dan Aplikasinya Disertai Panduan
Eviews, Yogyakarta : UPP STIM YKPN, 2017.
[12] J. D. Cryer dan K. Chan, Time Series Analysis with Application with R, New
York: Springer Science+Business Media, LLC, 2008.
[13] M. Verbeek, A Guide to Modern Econometrics, Fourth Edition, United
Kingdom: John Wiley & Sons Ltd, 2012.
[14] R. F. Engle, "Autoregressive Conditional Heteroscedasticity with Estimates
of Variance of United Kingdom Inflation," Econometrica, vol. 50, pp. 987-
1008, 1982.
[15] T. Bollerslev, "Generalized Autoregressive Conditional Heteroskedasticity,"
Journal of Econometrics, vol. 31, pp. 307-327, 1986.
[16] Z. Zhang dan Hong-Kun Zhang, "The Dynamics of Precious Metal Markets
VaR: A GARCH EVT," Journal of Commodity Markets, pp. 1-14, 2016.
51
[17] R. A. Tagliafichi, "The GARCH Model and Their Application to The VaR,"
in International Astin Colloquium, Washington, 2001.
[18] N. M. Wibowo, Sugito, dan A. Rusgiyono, "Pemodelan Return Saham
Perbankan Menggunakan Exponential Generalized Autoregressive
Conditional Heteroscedasticity (EGARCH)," Jurnal Gaussian, Vols. 6, no.1,
pp. 91-99, 2016.
[19] W. W. S. Wei, Time Series Analysis: Univariate and Multivariate Methods,
New York: Pearson Education, Inc, 2006.
[20] Pei-Chann Chang, Yen-Wen Wang, Chen-Hao Liu, "The development of a
weighted evolving fuzzy neural network for PCB sales forecasting," Expert
Systems with Applications, pp. 86-96, 2007.
[21] A. J. McNeil dan R. Frey, "Estimation of Tail-Related Risk Measures for
Heteroscedastic Financial Time Series: An Extreme Value Approach,"
Journal of Empirical Finance, vol. 7, pp. 271-300, 2000.
[22] M. Karmakar dan S. Paul, "Intraday Risk Management in International Stock
Markets: A Conditional EVT approach," International Review of Financial
Analysis, vol. 44, pp. 34-55, 2016.
52
LAMPIRAN
Tanggal Harga Saham
02/01/2017 895
03/01/2017 895
04/01/2017 900
05/01/2017 900
06/01/2017 900
09/01/2017 900
10/01/2017 900
11/01/2017 900
12/01/2017 895
13/01/2017 900
16/01/2017 900
17/01/2017 900
18/01/2017 900
19/01/2017 900
20/01/2017 895
23/01/2017 900
24/01/2017 895
25/01/2017 900
26/01/2017 895
27/01/2017 895
30/01/2017 895
31/01/2017 895
01/02/2017 900
02/02/2017 895
03/02/2017 895
06/02/2017 900
07/02/2017 900
08/02/2017 890
09/02/2017 895
10/02/2017 895
07/10/2019 3270
⋮ ⋮
⋮ ⋮
10/10/2019 3390
11/10/2019 3390
14/10/2019 3390
15/10/2019 3290
16/10/2019 3260
17/10/2019 3400
18/10/2019 3200
21/10/2019 3350
22/10/2019 3350
23/10/2019 3300
24/10/2019 3300
25/10/2019 3300
28/10/2019 3250
29/10/2019 3250
30/10/2019 3150
31/10/2019 3150
01/11/2019 3150
04/11/2019 3150
05/11/2019 3150
06/11/2019 3200
07/11/2019 3190
08/11/2019 3300
11/11/2019 3300
12/11/2019 3300
13/11/2019 3300
14/11/2019 3300
15/11/2019 3300
18/11/2019 3300
19/11/2019 3300
20/11/2019 3300
21/11/2019 3300