Mendeteksi Indikasi Peristiwa Besar Berdasarkan Fluktuasi IHSG
Abstract
Penelitian ini berfokus pada deteksi indikasi peristiwa besar
yang mempengaruhi fluktuasi Indeks Harga Saham
Gabungan (IHSG) di Bursa Efek Indonesia menggunakan
model power law. Metode ini digunakan untuk menganalisis
pola ekstrem dalam data time-series IHSG dan
mengidentifikasi hubungan antara peristiwa besar dengan
perubahan harga saham. Data yang digunakan dalam
penelitian ini merupakan harga penutupan harian IHSG
dari tahun 1993 hingga 2022. Setelah dilakukan pengolahan
dan analisis menggunakan model power law, ditemukan
bahwa beberapa peristiwa besar di Indonesia, seperti
reformasi ekonomi tahun 1999 dan pandemi COVID-19
tahun 2020, memiliki korelasi dengan perubahan signifikan
dalam IHSG. Hasil analisis menunjukkan bahwa metode
power law lebih akurat dalam mendeteksi kejadian ekstrem
dibandingkan dengan pendekatan statistik konvensional
seperti standar deviasi, dengan nilai koefisien determinasi
(R-squared) mencapai 0,98. Kesimpulan dari penelitian ini
menunjukkan bahwa model power law dapat digunakan
sebagai pendekatan alternatif dalam analisis fluktuasi pasar
saham. Pengembangan lebih lanjut dapat dilakukan dengan
integrasi teknologi machine learning serta peningkatan
kualitas data untuk hasil yang lebih akurat.
Kata Kunci: IHSG, peristiwa besar, fluktuasi harga saham,
power law, analisis data time-serie.
References
Bursa Efek Indonesia. (n.d.). Indeks. Bursa Efek
Indonesia. Retrieved January 27, 2025, from
https://www.idx.co.id/id/produk/indeks.
Ajireswara, A. (2014). Transmisi Volatilitas Saham
Utama Dunia terhadap IHSG dan Indeks Sektoral. Institut
Pertanian Bogor.
Herwany, A., Febrian, E., Anwar, M., & Gunardi, A.
(2021). The Influence of the COVID-19 Pandemic on
Stock Market Returns in Indonesia Stock Exchange. The
Journal of Asian Finance, Economics and Business, 8(3),
–47.
https://doi.org/10.13106/JAFEB.2021.VOL8.NO3.0039.
Bursa Efek Indonesia. (n.d.). Siaran pers. Bursa Efek
Indonesia. Retrieved January 27, 2025, from
https://www.idx.co.id/id/berita/siaran-pers/1632.
Gabaix, X., Gopikrishnan, P., Plerou, V., & Stanley,
H. E. (2003). A theory of power-law distributions in
financial market fluctuations. Nature, 423(6937), 267–
doi:10.1038/nature01624.
Kelly, B., & Jiang, H. (2014). Tail Risk and Asset
Prices. Review of Financial Studies, 27(10), 2841–2871.
doi:10.1093/rfs/hhu039.
Qu, T., Mei, K. W., & Doray, A. (2022). A simple
method to detect extreme events from financial time series data.
https://doi.org/10.1016/j.mlwa.2022.100415.
Viswanathan, G. M., Fulco, U. L., Lyra, M. L., &
Serva, M. (2003). The origin of fat-tailed distributions in
financial time series. Physica A: Statistical Mechanics and
Its Applications, 329(1-2), 273–280. doi:10.1016/s0378-
(03)00608-3.
Idrees, S. M., Alam, M. A., & Agarwal, P. (2019). A
Prediction Approach for Stock Market Volatility Based on
Time Series Data. IEEE Access, 1–1.
doi:10.1109/access.2019.2895252.
Newman, M. (2005). Power laws, Pareto
distributions and Zipf’s law. Contemporary Physics, 46(5),
–
doi:10.1080/00107510500052444.
Danielsson, J., Ergun, L. M., de Haan, L., & De
Vries, C. (2016). Tail index estimation: Quantile driven
threshold selection. SSRN.
https://ssrn.com/abstract=2717478 atau
https://doi.org/10.2139/ssrn.2717478.
Clauset, A., Shalizi, C. R., & Newman, M. E. J.
(2009). Power-Law Distributions in Empirical Data.
SIAM Review, 51(4), 661–703. doi:10.1137/070710111.
Gao, J. (2024). R-squared (R²) – How much
variation is explained? Research Methods in Medicine &
Health Sciences, 5(4), 104–109.
https://doi.org/10.1177/26320843231186398.
https://finance.yahoo.com/quote/%5EJKSE/history?f
r=sycsrp_catchall
https://id.investing.com/indices/idx-compositehistorical-data
