CAPI TAL ASSET ASSET PRICI NG MODE MODE L (CAPM) PENGGUNAAN CAPI DALAM PEMILIHAN INVESTASI SAHAM DENGAN PENDEKATAN ALGORITMA GENETIKA
PAPER Diajukan untuk menempuh Ujian Sarjana Pada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Padjadjaran
MIA NAJMIA 140110120047
UNIVERSITAS PADJADJARAN FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM PROGRAM STUDI S-1 MATEMATIKA JATINANGOR 2017
1
2
Penggunaan Capital Asset Pricing Model (CAPM) Dalam Pemilihan Investasi Saham Dengan Pendekatan Algoritma Genetika
1,2,3)
Mia Najmia1, Sukono2, Dwi Susanti 3
Departemen Matematika, Fakultas MIPA, Universitas Padjadjaran Jl. Raya Bandung Sumedang KM 21 Jatinangor Sumedang 45363 Email:
[email protected],
[email protected] ,
[email protected] ABSTRAK
Investasi merupakan salah satu faktor pertumbuhan ekonomi dalam suatu Negara, khususnya di Indonesia. Dalam dunia investasi dikenal dua jenis investasi, yaitu investasi riil dan investasi finansial. Investasi finansial merupakan investasi pada aset yang wujudnya tidak terlihat. Salah satu contoh investasi finansial adalah investasi pada bidang saham. Dalam menentukan keputusan investasi saham ada hubungannya dengan return dan tingkat risiko. Oleh karena itu, hal yang harus diperhatikan investor adalah bagaimana investasi dapat menghasilkan return yang optimal dengan tingkat risiko yang minimal. Penelitian ini akan membahas mengenai penaksiran risiko saham berdasarkan asumsi CAPM dan pendekatan Genetic Algorithm. Hasil penelitian menunjukkan penaksiran risiko saham dari asumsi CAPM dan pendekatan Genetic Algorithm memberikan keputusan yang sama untuk 10 saham objek penelitian, yaitu 6 saham yang underpriced dengan keputusan beli dan 4 saham yang overpriced dengan keputusan jual.
Kata Kunci: risiko , CAPM , Genetic Algorithm, keputusan investasi.
AB STR AC T Investment is a factor in the economic growth of a country, especially in Indonesia. There are two types of investments, real investment and financial investment. Financial investment is an investment in an asset that its form is not visible. The example of financial investment is stock investment. In determining stock investment decisions have to do with the return and risk level. Therefore, it should be noted investors is how the investment can generate optimum returns with minimal risk levels. This study will discuss the risk assessment stock (β) based on the assumption of CAPM and Genetic Algorithm. The results showed the risk assessment of stocks (β) of the CAPM assumptions and Genetic Algorithm approach provides the same decision for 10 stocks object of research, which is 6 underpriced stocks with purchasing decisions and 4 stocks overpriced by selling decisions.
Keywords: risk, CAPM, Genetic Algorithm, investment decisions.
1.
Pendahuluan
Investasi merupakan salah satu faktor pertumbuhan ekonomi dalam suatu Negara, khususnya di Indonesia. Dalam dunia investasi dikenal dua jenis investasi, yaitu investasi riil dan investasi finansial. Investasi riil merupakan investasi pada aset yang memiliki wujud, seperti properti (tanah dan rumah). Sedangkan investasi finansial merupakan investasi pada aset yang wujudnya tidak terlihat, seperti saham, deposito, dan sebagainya. Di Indonesia sendiri, investasi riil merupakan investasi yang umum dilakukan oleh masyarakatnya dibanding investasi finansial. Hal ini dinilai karena masih kurangnya pengetahuan tentang saham itu sendiri dan adanya kekhawatiran masyarakat sebagai calon investor akan risiko dan return dari saham yang akan diinvestasikannya. Oleh karena itu, hal yang harus diperhatikan investor adalah bagaimana investasi dapat menghasilkan return yang optimal dengan tingkat risiko yang minimal. Hal
3
tersebut dapat dilakukan dengan memprediksi return yang diharapkan. Model yang digunakan dalam penelitian ini adalah CAPM. Penelitian terdahulu terkait penerapan CAPM dalam pemilihan investasi saham dilakukan oleh Putra (2012). Pada penelitian tersebut diterapkan metode CAPM dan RVAR untuk pemilihan investasi saham sebagai penentu pengambilan keputusan investasi saham. Sedangkan penelitian terdahulu yang terkait dengan algoritma genetika dilakukan oleh Fiarni (2013) tentang sistem rekomendasi portofolio investasi berbasis algoritma genetika. Pada penelitian ini, pembahasan difokuskan untuk menaksir risiko sistematis tiap saham dengan kovarians dan optimasi Genetic Algorithm. Hal inilah yang membedakan penelitian ini dengan penelitian terdahulu yang dilakukan oleh Putra (2012) dan Fiarni (2013).
2. 2.1
Tinjauan Pustaka
Investasi
Investasi adalah menempatkan uang atau dana dengan harapan untuk memperoleh tambahan atau keuntungan tertentu atas uang atau dana tersebut (Ahmad, 2004). Menurut Fahmi dan Hadi (2009), investasi terbagi dalam dua jenis, yaitu : 1.
2.
2.2
Real Investment atau investasi nyata, secara umum investasi ini melibatkan aset yang berwujud, seperti tanah, mesin-mesin atau pabrik. Financial investment atau investasi finansial, yaitu investasi yang melibatkan kontrak tertulis, seperti saham dan obligasi. Saham
Menurut beberapa ahli, saham merupakan surat bukti bahwa kepemilikan atas aset-aset perusahaan yang menerbitkan saham (Tandelilin, 2010). Saham dapat didefinisikan sebagai tanda penyertaan modal seseorang atau pihak (badan usaha) dalam suatu perusahaan atau perseroan terbatas. Dengan menyertakan modal tersebut, maka pihak tersebut memiliki klaim atas pendapatan perusahaan, klaim atas asset perusahaan, dan berhak hadir dalam Rapat Umum Pemegang Saham (RUPS). 2.3
Return
Return merupakan keuntungan yang diperoleh perusahaan, individu dan institusi dari hasil kebijakan investasi yang dilakukannya (Fahmi dan Hadi, 2009). Return dapat berupa return realisasi yaitu return yang telah terjadi dan dihitung berdasarkan data historis dan return ekspektasi yang belum terjadi tetapi yang diharapkan akan terjadi di masa mendatang. Return realisasi dihitung dengan rumus sebagai berikut (Ismanto, 2011) :
−
dimana,
−−
2.1
= return saham = harga saham periode sekarang = harga saham periode sebelumnya Expected return (return ekspektasi) adalah keuntungan yang diharapkan oleh seorang investor di kemudian hari terhadap sejumlah dana yang telah ditempatkannya. Expected return dihitung dengan menggunakan CAPM, diperlukan nilai rata-rata return pasar . Return pasar adalah tingkat return dari indeks pasar. Return pasar (market) dihitung dengan rumus berikut (Ismanto, 2011) :
− −
2.2
4
− dimana,
= Return pasar = Indeks Harga Saham Gabungan periode sekarang = Indeks Harga Saham Gabungan periode sebelumnya, dan untuk menghitung rata-ratanya menggunakan persamaan berikut :
∑=
dimana,
2.3
= rata-rata return pasar = return pasar per bulan = banyaknya data tiap saham Selain itu, investor juga perlu memperhatikan return bebas risiko . Di Indonesia return bebas risiko dikenal dengan istilah Sertifikat Bank Indonesia (SBI). Sertifikat Bank Indonesia (SBI) pada dasarnya adalah surat berharga atas unjuk rupiah yang diterbitkan dengan sistem diskonto oleh Bank Indonesia sebagai pengakuan utang berjangka waktu pendek. 2.4
Risiko
Risiko merupakan kemungkinan perbedaan antara return realisasi dengan return yang diharapkan (Tandelilin, 2010). Menurut Halim (2005), dalam konteks manajemen investasi, risiko merupakan besarnya penyimpangan antara tingkat pengembalian yang diharapkan ( expected return) dengan tingkat pengembalian yang dicapai secara nyata ( actual return). Secara umum investor bersifat risk averse (menghindari risiko). Namun risiko tidak dapat dihilangkan melainkan hanya dikurangi. Cara mengurangi risiko tersebut adalah dengan melakukan diversifikasi investasi. Terkait dengan hal tersebut, risiko dapat dikelompokkan menjadi dua, yaitu : 1. 2.
2.5
Non Diversifiable Risk (risiko yang tidak dapat didiversifikasi) yang disebut juga dengan risiko sistematis atau risiko pasar yang antara lain disebabkan oleh faktor-faktor makro. Diversifiable Risk (risiko yang dapat didiversifikasi) yang disebut juga risiko tidak sistematis atau disebut juga risiko khusus yang terdapat pada masing-masing perusahaan, seperti risiko kebangkrutan/risiko usaha. Indeks Harga Saham
Indeks harga saham adalah indikator yang menunjukkan pergerakan harga saham. Jenis indeks yang diperdagangkan di Bursa Efek Indonesia (BEI), yaitu: Indeks individual, menggunakan indeks masing-masing s aham terhadap harga dasarnya. 1. Indeks Harga Saham Gabungan (IHSG), merupakan indikator pergerakan saham yang 2. tercatat di BEI baik saham maupun preferen. Indeks harga saham sektoral, merupakan sub indeks dari IHSG. Semua saham yang 3. tercatat di BEI diklasifikasikan ke dalam sembilan sektor menurut klasifikasi industri yang ditetapkan BEI. Indeks LQ 45, menggunakan 45 saham yang terpilih berdasarkan likuiditas perdagangan 4. saham dan disesuaikan setiap enam bulan. 2.6
Capital Asset Pricing Model (CAPM)
Menurut Jack Clark Francis, CAPM merupakan teori penilaian risiko dan keuntungan aset yang didasarkan koefisien beta (indeks risiko yang tidak dapat di diversifikasi) (Ahmad, 2004). CAPM merupakan model yang menggambarkan hubungan risiko dan pengembalian yang diharapkan, dalam model ini pengembalian surat berharga yang diharapkan adalah tingkat bebas risiko di tambah premium yang di dasarkan pada risiko sistimatis surat berharga. Berdasarkan teori CAPM, expected return dari suatu saham dapat dihitung dengan rumus berikut:
+()
2.4
5
dimana,
= expected return saham = rata-rata return pasar = return bebas risiko β i = risiko saham Dalam pembahasan CAPM, beta ( β ) dianggap representatif untuk digunakan dalam mengukur risiko sistematis, oleh sebab itu besarnya risiko suatu saham ditentukan oleh beta ( β ). Beta ( β ) dihitung dengan rumus berikut :
, dimana,
,
= beta saham = kovarians dari return saham individu = varians dari return pasar
2.5
dan return pasar
Genetic Algorithm (Algoritma Genetika)
2.7
Algoritma genetika pertama kali ditemukan oleh John Holland pada tahun 1960-an. Algoritma genetika merupakan algoritma komputasi yang terinspirasi dari teori evolusi Darwin. Darwin menjelaskan bahwa evolusi terjadi melalui seleksi alam. Dalam proses ini hanya individu yang sesuai dengan lingkungannya yang akan bertahan hidup dan mampu menghasilkan keturunan. Konsep tersebut kemudian diadopsi menjadi algoritma komputasi untuk mencari solusi suatu permasalahan dengan cara yang lebih alamiah (Zukhri, 2014). Berikut ini adalah langkahlangkah yang digunakan dalam algoritma genetika. 1) Inisialisasi Populasi Membentuk populasi awal yang terdiri dari sekumpulan individu. Pada populasi awal, nilai dari gen-gen setiap individu ditentukan secara acak. Jumlah individu dalam suatu populasi akan bergantung dengan jenis masalah yang akan diselesaikan. 2) Evaluasi Mengevaluasi tiap individu menggunakan fungsi fitness yang mengukur nilai fitness suatu individu. Semakin tinggi nilai fitnessnya maka semakin besar kemungkinan suatu individu akan bertahan. Langkah-langkah dalam mengevaluasi nilai fitness adalah sebagai berikut: Menentukan fungsi objektif Fungsi objektif ditentukan berdasarkan masalah yang akan dicari solusi penyelesaiannya. Setiap masalah optimisasi memiliki fungsi objektif yang berbeda.
Menghitung nilai fitness Fungsi fitness dihubungkan dengan fungsi objektif dari masalah yang akan diselesaikan. Fungsi objektif dikonversi terlebih dahulu ke dalam fungsi fitness melalui persamaan berikut :
1+1
2.6
̅ ∑=
2.7 2.8
dimana, = fungsi fitness untuk pencarian nilai minimum = fungsi objektif. Fungsi objektif ditambah 1 untuk menghindari kesalahan program akibat pembagian oleh 0. Fungsi fitness untuk pencarian nilai maksimum adalah :
Menghitung rata-rata nilai fitness menggunakan rumus
di mana adalah banyaknya saham. 3)
Seleksi
6
Seleksi merupakan proses untuk memilih individu yang tetap bertahan dalam populasi. Individu yang terpilih pada proses seleksi akan menjadi parent bagi generasi selanjutnya pada proses crossover . Metode seleksi yang banyak digunakan yaitu Roulette Wheel dan Tournament. 4) Crossover Crossover merupakan pertukaran antara gen-gen dari dua induk tertentu yang bertujuan untuk menghasilkan individu baru yang mewarisi sifat-sifat induknya. Metode crossover yang digunakan adalah one-point crossover , yaitu titik silang pada kromosom kedua orangtua dipilih secara acak kemudian menukar silang kedua segmen pada titik ini untuk menghasilkan dua individu baru. Proses ini dilakukan sampai jumlah individu baru yang dihasilkan sama dengan jumlah individu pada populasi awal. 5) Mutasi Tidak semua individu dalam suatu populasi akan mengalami mutasi. Jika terjadi mutasi terhadap suatu individu, nilai dari gen dari individu tersebut akan mengalami perubahan sehingga akan menghasilkan individu yang berbeda. 6) Kriteria Berhenti Kriteria berhenti dalam algoritma genetika digunakan untuk menentukan kapan algoritma genetika akan berhenti. Beberapa kriteria berhenti yang dapat digunakan adalah batas nilai fungsi fitness, batas nilai fungsi objektif, batas waktu komputasi, banyak generasi dan terjadinya konvergensi. 2.6
Uji Signifikansi Parameter Individual (Uji t)
Menurut Ghozali (2009), uji stastistik t pada dasarnya menunjukkan pengaruh satu variabel independen secara individual dalam menerangkan variabel dependen. Pengujian dilakukan dengan menggunakan tingkat signifikansi 0,05 . Langkah-langkah uji signifikansi parameter individu adalah sebagai berikut:
5%
1.
∶ 0 ∶ ≠0
Menentukan hipotesis pengujian :
Artinya
Artinya 2.
tidak berpengaruh signifikan secara individual terhadap variabel tak bebas
.
mempunyai pengaruh signifikan secara individual terhadap variabel tak bebas
̂ ∑ ( ) = √ ∑=1 ̅ (/) 1 >≤/ ≤ </
Menghitung nilai statistik
) menggunakan rumus :
di mana adalah koefisien regresi ke- dan dengan rumus :
3.
Menentukan nilai tabel
4.
Menentukan kriteria pengujian
Apabila
Apabila
adalah standard error koefisien
, di mana
, maka
, maka
.
ke-
2.10
.
atau
/ /
2.9
ditolak.
diterima.
7
3. Objek dan Metodologi Penelitian Objek Penelitian Data yang digunakan adalah data harga penutupan saham bulanan periode 01 Januari 2015 sampai 31 Desember 2015 dari perusahaan-perusahaan berikut : 3.1
Tabel 3.1 Daftar Perusahaan Objek Penelitian No.
3.2
Kode Perusahaan
Nama Perusahaan
1
AALI
PT. Astra Agro Lestari Tbk
2
ADRO
PT. Adaro Energy Tbk
3
ASII
PT. Astra International Tbk
4
BBCA
PT. Bank Central Asia Tbk
5
INDF
PT. Indofood Sukses Makmur Tbk
6
JSMR
PT. Jasa Marga Tbk
7
PGAS
PT. Perusahaan Gas Negara Tbk
8
SMGR
PT. Semen Gresik Tbk
9
TLKM
PT. Telekomunikasi Indonesia Tbk
10
UNTR
PT. United Tractors Tbk
Metodologi Penelitian
1. Pengumpulan Data Data yang dikumpulkan merupakan data saham perusahaan-perusahaan yang menjadi objek penelitian dan data Indeks Harga Saham Gabungan. Data diperoleh melalui media internet (https://finance.yahoo.com). 2. Pengolahan Data a. Menghitung return saham individu , return pasar , return bebas risiko , dan beta saham individu b. Menghitung expected return dengan metode CAPM c. Menggolongkan efisiensi dan saran keputusan investasi saham berdasarkan metode CAPM d. Menaksir risiko sistematis masing masing saham ( ) dengan Genetic Algorithm e. Keputusan investasi saham berdasarkan aplikasi Genetic Algorithm f. Saran keputusan investasi berdasarkan perbandingan efisiensi saham dengan taksiran CAPM dan pendekatan Genetic Algorithm
4.1
4.
Pembahasan dan Hasil Penelitian
Return Saham Individu
Hasil perhitungan tingkat pengembalian saham individu periode 01 Januari 2015-31 Desember 2015 saham perusahaan PT. Perusahaan Gas Negara Tbk (PGAS) memiliki rata-rata tingkat pengembalian saham tertinggi daripada yang lain, yaitu sebesar 0,0398 atau 3,98% dan saham perusahaan PT. Adaro Energy Tbk (LPKR) memiliki rata-rata tingkat pengembalian saham individu terendah, yaitu sebesar -0,0481 atau -4,81%. 4.2
Return Pasar
( ) ( )
Total nilai return pasar selama periode 01 Januari 2015-31 Desember 2015 adalah 0,1290, sehingga rata-rata return pasar adalah sebesar -0,0108 atau -1,08%. 4.3
Return Bebas Risiko
Tingkat suku bunga Bank Indonesia pada bulan Januari dan Februari bernilai paling besar yaitu 0,0775 kemudian stabil selama tahun 2015 sebesar 0,075. Berdasarkan perhitungan di atas,
8
terlihat bahwa return asset bebas risiko rata-rata sebesar 0,0754 atau 7,54% per bulan. 4.4
Taksiran Risiko Sistematis
yang akan diterima oleh investor adalah
>1
Penaksiran risiko sistematis saham dengan kovarians menunjukkan 5 dari 10 saham perusahaan objek penelitian memiliki beta bernilai lebih dari 1 , sehingga dapat dikatakan bahwa perusahaan yang dijadikan sampel penelitian ini memiliki rata-rata risiko sangat tinggi. Sama Perusahaan Gas Negara Tbk (PGAS) memiliki nilai beta tertinggi, yaitu sebesar 1,7293.
()
E xpected Return dengan Metode CAPM
4.5
Saham perusahaan United Tractors Tbk (UNTR) memiliki expected return tertinggi, yaitu sebesar 0,0221. Sedangkan, saham Perusahaan Gas Negara Tbk (PGAS) memiliki expected return terendah, yaitu sebesar -0,0736. Hal ini menunjukkan bahwa besar kecilnya tingkat pengembalian yang diharapkan tergantung pada besar kecilnya risiko dari saham tersebut. Sehingga diperoleh keputusan investasi saham berdasarkan kovarians yang disajikan dalam Tabel 4.1. Tabel 4.1 Penggolongan Efisiensi Saham
Kode Perusahaan
̅
Evaluasi
AALI
-0.0236
-0,035
Efisien
ADRO
-0.0481
0,0031
Tidak Efisien
ASII
-0.0152
-0,0704
Efisien
BBCA
0.0017
-0,0061
Efisien
INDF
-0.0256
-0,002
Tidak Efisien
JSMR
-0.0219
-0,0402
Efisien
PGAS
-0.0398
-0,0736
Efisien
SMGR
-0.0147
-0,0207
Efisien
TLKM
0.0113
0,0135
UNTR
0.0009
0,0221
4.6
Keputusan yang disarankan Mengambil atau membeli saham (underpriced ) Menjual saham sebelum harga saham turun (overpriced ) Mengambil atau membeli saham (underpriced ) Mengambil atau membeli saham (underpriced ) Menjual saham sebelum harga saham turun (overpriced ) Mengambil atau membeli saham (underpriced ) Mengambil atau membeli saham (underpriced ) Mengambil atau membeli saham (underpriced ) Menjual saham sebelum harga saham turun (overpriced ) Menjual saham sebelum harga saham turun (overpriced )
Tidak Efisien Tidak Efisien
Penerapan Genetic A lgori thm dalam Penaksiran Risiko Saham
4.1 (())
Model CAPM pada persamaan (2.4) dikonstruksi sedemikian rupa sehingga diperoleh fungsi fitness sebagai berikut :
= .
dimana, merupakan hasil pengurangan dari return individu merupakan hasil pengurangan dari return pasar
dan return bebas risiko
dan return bebas risiko
.
dan dimasukkan dalam program Matlab sebagai nilai dari sebuah fungsi yang mewakili fitness function dari masing-masing saham. Nilai dan dapat dilihat dalam Tabel 4.2.
9
Tabel 4.2 Nilai Kode Perusahaan
̅ dan
-0.099
-0.0862
ADRO
-0.1235
-0.0862
ASII
-0.0906
-0.0862
BBCA
-0.0737
-0.0862
INDF
-0.101
-0.0862
JSMR
-0.0973
-0.0862
PGAS
-0.1152
-0.0862
SMGR
-0.09
-0.0862
TLKM
-0.0641
-0.0862
UNTR
-0.0745
-0.0862
AALI
Penentuan saham yang efisien dilakukan dengan menjalankan program optimasi yang telah tersedia dalam toolbox pada program Matlab. Output yang ditampilkan adalah hasil optimasi terbaik yang mewakili dan dari persamaan (4.1). Hasil taksiran dan dari pendekatan Genetic Algorithm disajikan dalam Tabel 4.3. Tabel 4.3 Nilai dan yang dihasilkan dari genetic algorithm
Kode Perusahaan
C
Beta
AALI
0,0245
1,3366
ADRO
-0,035
0,9999
ASII
0,059
1,7366
BBCA
0,0008
0,8638
INDF
-0,024
0,8813
JSMR
0,0092
1,2366
PGAS
0,0263
1,6429
SMGR
0,0146
1,2068
TLKM
0,0008
0,7529
UNTR
-0,015
0,6907
4.7
Uji Signifikansi Model Berikut ini merupakan hasil uji signifikansi model untuk 10 saham perusahaan objek penelitian yang disajikan dalam Tabel 4.4. Tabel 4.4 Hasil Uji Signifikansi Model dengan nilai dari perhitungan GA
No.
Kode Perusahaan
Keputusan
1
AALI
1,3366
13,094
berpengaruh
2,262
2
ADRO
0,9999
8,0409
berpengaruh
2,262
3
ASII
1,7366
26,083
berpengaruh
2,262
4
BBCA
0,8638
6,5302
berpengaruh
2,262
5
INDF
0,8813
6,7127
berpengaruh
2,262
6
JSMR
1,2366
11,328
berpengaruh
2,262
7
PGAS
1,6429
21,507
berpengaruh
2,262
8
SMGR
1,2068
10,853
berpengaruh
2,262
9
TLKM
0,7529
5,4397
berpengaruh
2,262
10
UNTR
0,6907
4,8728
berpengaruh
2,262
10
E xpected Return dengan Metode CAPM berdasarkan C dan yang ditaksir dengan Genetic Algorithm 4.8
Saham perusahaan Telekomunikasi Indonesia Tbk (TLKM) memiliki expected return tertinggi, yaitu sebesar 0,0113. Sedangkan, saham Adaro Energy Tbk (ADRO) memiliki expected return terendah, yaitu sebesar -0,0475. Selanjutnya, dibuat tabel penggolongan efisiensi saham berdasarkan expected return menggunakan metode CAPM dengan dan dari perhitungan GA yang disajikan dalam Tabel 4.5. Tabel 4.5 Penggolongan efisiensi saham dengan
Kode Perusahaan
Evaluasi
dan dari perhitungan GA Keputusan
AALI
-0,0236
-0,1769
Efisien
Mengambil atau membeli saham (underpriced )
ADRO
-0,0481
-0,0461
Tidak Efisien
Menjual saham sebelum harga saham turun (overpriced )
ASII
-0,0152
-0,0154
Efisien
Mengambil atau membeli saham (underpriced )
BBCA
0,00169
0,00159
Efisien
Mengambil atau membeli saham (underpriced )
INDF
-0,0256
-0,0249
Tidak Efisien
Menjual saham sebelum harga saham turun (overpriced )
JSMR
-0,0219
-0,0221
Efisien
Mengambil atau membeli saham (underpriced )
PGAS
-0,0398
-0,0401
Efisien
Mengambil atau membeli saham (underpriced )
SMGR
-0,0147
-0,0142
Tidak Efisien
Menjual saham sebelum harga saham turun (overpriced )
TLKM
0,01131
0,01113
Efisien
Mengambil atau membeli saham (underpriced )
UNTR
0,00091
-1E-05
Efisien
Mengambil atau membeli saham (underpriced )
Pilihan investasi yang disarankan kepada investor berdasarkan Tabel 4.5 di atas adalah saham AALI, ASII, BBCA, JSMR, PGAS, TLKM, dan UNTR. Karena nilai return realisasi lebih besar dari return ekspektasinya . 4.9
Perbandingan Tabel Penggolongan Efisiensi Saham
AALI
-0,0236
1,2808
1,3366
Efisien
Efisien
ADRO
-0,0481
0,8387
0,9999
Tidak Efisien
Tidak Efisien
ASII
-0,0152
1,6918
1,7366
Efisien
Efisien
BBCA
0,00169
0,946
0,8638
Efisien
Efisien
INDF
-0,0256
0,8941
0,8813
Tidak Efisien
Tidak Efisien
Kode Perusahaan
̅
Tabel 4.6 Perbandingan Efisiensi Saham Beta CAPM
dan beta GA
Beta
Evaluasi CAPM
dan beta GA
11
JSMR
-0,0219
1,3414
1,2366
Efisien
Efisien
PGAS
-0,0398
1,7293
1,6429
Efisien
Efisien
SMGR
-0,0147
1,1153
1,2068
Efisien
Efisien
TLKM
0,01131
0,7185
0,7529
Tidak Efisien
Tidak Efisien
UNTR
0,00091
0,6186
0,6907
Tidak Efisien
Tidak Efisien
Tabel 4.6 menunjukkan bahwa efisiensi saham dari penaksiran beta dengan kovarians dan optimasi algoritma genetika tidak memiliki perbedaan. Hal ini dapat dilihat dari taksiran beta yang dihasilkan oleh kedua cara tidak memiliki perbedaan yang signifikan.
5.
Simpulan
Hasil penaksiran risiko sistematis dengan kovarians dan pendekatan genetic algorithm menunjukkan hasil yang sama, yaitu 5 dari 10 saham perusahaan memiliki beta bernilai lebih dari 1 . Oleh karena itu, penaksiran beta dengan metode CAPM dan genetic algorithm memberikan keputusan yang sama untuk 10 saham objek penelitian, yaitu 6 saham yang underpriced dengan keputusan membeli saham tersebut dan 4 saham yang overpriced dengan keputusan menjual saham sebelum harga turun..
>1
Daftar Pustaka
1. 2. 3. 4. 5. 6. 7. 8. 9.
10. 11. 12. 13. 14.
Ahmad, Kamarudin. 2004. Dasar-dasar Manajemen Investasi dan Portofolio. Jakarta: Rineka Cipta. Fahmi, Irham dan Hadi, Yovi L. 2009. Teori Portofolio dan Analisis Investasi (Teori dan Soal Jawab). Bandung: Alfabeta. Fiarni, Cut dan Bastiyan. 2013. Sistem Rekomendasi Portofolio Investasi Berbasis Algoritma Genetika. Seminar Nasional Sistem Informasi Indonesia. Ghozali, Imam. 2009. Aplikasi Analisis Multivariate dengan Program SPSS Cetakan IV . Semarang: UNDIP. Hadi, Ismanto. 2011. Analisis Pengaruh Ukuran Perusahaan, Book-to-Market Value, dan Beta terhadap Return Saham di BEI . Jurnal Ekonomi & Pendidikan, Vol 8 No.2. Halim, Abdul. 2005. Analisis Investasi Edisi Kedua. Jakarta: Salemba Empat. Kasmir dan Jakfar. 2012. Studi Kelayakan Bisnis Edisi Revisi. Jakarta: Kencana. Martalena. 2011. Pengantar Pasar Modal . Yogyakarta: ANDI. Putra, Rofy D. 2012. Analisis Pemilihan Investasi Saham dengan Menggunakan Metode Capital Asset Pricing Model (CAPM) dan Reward To Variability Ratio (RVAR) sebagai Penentu Pengambilan Keputusan Investasi Saham. Skripsi. Malang: Fakultas Ilmu Administrasi, Universitas Brawijaya Malang. Suyanto. 2005. Algoritma Genetika dalam Matlab. Yogyakarta: ANDI. Tandelilin, Eduardus. 2010. Portofolio dan Investasi (Edisi Pertama). Yogyakarta: Kanisius. Zukhri, Z. 2014. Algoritma Genetika: Metode Komputasi Evolusioner untuk Menyelesaikan Masalah Optimisasi. Yogyakarta: ANDI. http://www.bi.go.id/id/moneter/bi-rate/data/Default.aspx https://finance.yahoo.com/
12
