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.
Downloads
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 atauhttps://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
