Hasil penelitian menunjukkan bahwa MNC36 lebih bergejolak selama periode COVID-19 2020–2022 dibandingkan periode 2023–2025. Rata-rata indeks meningkat dari sekitar 314 menjadi 343, sementara standar deviasi turun dari 31 menjadi 24. Temuan ini menunjukkan bahwa pasar relatif lebih stabil setelah pandemi, meskipun pola pergerakannya tetap memiliki ketergantungan terhadap data masa lalu.
Pandemi Membuat Pergerakan MNC36 Lebih Berfluktuasi
Pandemi COVID-19 memberikan tekanan besar terhadap pasar keuangan global dan Indonesia. Pembatasan aktivitas masyarakat, gangguan produksi dan konsumsi, ketidakpastian kinerja perusahaan, serta perubahan sentimen investor menyebabkan harga saham bergerak lebih tajam.
Indeks MNC36 menjadi salah satu indikator yang menarik untuk diamati karena mencerminkan kinerja 36 saham pilihan yang memiliki karakteristik likuiditas tinggi dan kapitalisasi pasar besar. Perubahan perilakunya dapat memberikan gambaran mengenai bagaimana saham-saham unggulan merespons perubahan kondisi ekonomi.
Data penelitian memperlihatkan perbedaan yang cukup jelas.
Pada 2020–2022, rata-rata MNC36 berada di sekitar 314 dengan median 319. Nilai tertinggi mencapai 371, sedangkan nilai terendah berada di 205. Standar deviasinya mencapai 31.
Pada 2023–2025, rata-rata meningkat menjadi 343 dengan median 347. Nilai maksimum naik menjadi 388 dan nilai minimum menjadi 265. Namun, standar deviasi turun menjadi 24.
Dengan kata lain, indeks berada pada level rata-rata yang lebih tinggi setelah pandemi sekaligus menunjukkan penyebaran pergerakan yang lebih rendah.
1.449 Data Harian Dianalisis
Effendi dan Sumarto menggunakan pendekatan kuantitatif deskriptif dengan analisis deret waktu. Data yang digunakan berupa harga penutupan harian MNC36 yang diperoleh dari Investing.com.
Total terdapat 1.449 observasi selama periode enam tahun. Data kemudian dibagi menjadi dua kelompok, yaitu periode pandemi 2020–2022 dan periode setelah pandemi 2023–2025.
Pengolahan data dilakukan menggunakan Microsoft Excel dan EViews 12. Analisis menggunakan kerangka Box–Jenkins yang menjadi dasar penerapan ARIMA.
Tahap analisis meliputi pemeriksaan statistik deskriptif, pengujian kestasioneran menggunakan Augmented Dickey-Fuller (ADF), pemeriksaan pola Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF), estimasi berbagai model ARIMA, perbandingan kriteria informasi, serta pemeriksaan residual.
Tahapan tersebut penting karena data harga saham umumnya tidak stasioner pada tingkat awal. Dalam penelitian ini, data MNC36 pada kedua periode baru menjadi stasioner setelah dilakukan diferensiasi pertama. Karena itu, komponen integrasi atau nilai “d” dalam model ARIMA ditetapkan sebesar 1.
ARIMA(3,1,3) Menjadi Model Pilihan Saat Pandemi
Untuk periode 2020–2022, beberapa model ARIMA dibandingkan. Hasilnya menunjukkan ARIMA(3,1,3) memiliki nilai Akaike Information Criterion (AIC) dan Schwarz Information Criterion (SIC) paling rendah di antara kandidat utama.
Nilai AIC model tersebut sebesar 6,787, sedangkan SIC sebesar 6,812. Adjusted R-squared tercatat 0,947.
Model ini menunjukkan bahwa pergerakan MNC36 selama pandemi memiliki pola autoregresif pada lag ke-3 dan komponen moving average pada lag ke-3 setelah dilakukan diferensiasi pertama.
Namun, Effendi dan Sumarto memberikan catatan penting. Model tersebut belum sepenuhnya memenuhi kriteria residual white noise. Nilai Durbin-Watson hanya 0,673, yang menunjukkan masih terdapat korelasi serial pada residual.
Artinya, ARIMA(3,1,3) memang menjadi model terbaik berdasarkan kriteria informasi yang digunakan, tetapi belum dapat dianggap sebagai model yang sepenuhnya ideal untuk menggambarkan seluruh dinamika MNC36 selama pandemi.
Setelah Pandemi, Struktur Model Berubah
Perubahan lebih menarik terlihat pada periode 2023–2025.
Model ARIMA(2,1,13) dipilih sebagai model terbaik berdasarkan hasil perbandingan. Model ini mencatat AIC sekitar 6,054 dan SIC 6,080. Nilai tersebut lebih rendah dibandingkan model terpilih pada periode pandemi.
Struktur model juga berubah. Jika periode pandemi menggunakan AR(3) dan MA(3), periode setelah pandemi menggunakan AR(2) dan MA(13).
Perubahan tersebut menunjukkan bahwa pola ketergantungan waktu pada Indeks MNC36 tidak selalu sama. Setelah pandemi, model membutuhkan komponen moving average dengan lag yang jauh lebih panjang untuk merepresentasikan pola data.
Durbin-Watson juga meningkat dari 0,673 pada periode pandemi menjadi 1,122 setelah pandemi. Angka tersebut lebih dekat dengan angka 2 yang sering digunakan sebagai acuan dalam pemeriksaan autokorelasi, meskipun masih menunjukkan bahwa residual belum sepenuhnya bebas dari korelasi serial.
ARIMA Berguna, tetapi Tidak Cukup Berdiri Sendiri
Temuan utama studi ini bukan sekadar model mana yang memiliki AIC paling rendah. Effendi dan Sumarto menekankan pentingnya membedakan antara pemilihan model dan validasi model.
Model dengan AIC atau SIC rendah belum otomatis menjadi model yang sempurna. Residual juga harus diperiksa untuk memastikan tidak ada pola sistematis yang masih tertinggal.
Dalam penelitian ini, residual kedua model masih menunjukkan autokorelasi. Karena itu, ARIMA(2,1,13) dinilai relatif lebih baik daripada ARIMA(3,1,3), bukan sebagai model yang sepenuhnya sempurna.
Temuan ini penting bagi investor. Model ARIMA dapat membantu membaca pola historis Indeks MNC36, tetapi hasilnya tidak seharusnya digunakan sebagai satu-satunya dasar keputusan investasi.
Pada kondisi pasar yang sangat tidak pasti, faktor fundamental perusahaan, indikator pasar, kondisi ekonomi, serta manajemen risiko tetap perlu diperhitungkan.
Pasar Lebih Stabil, tetapi Polanya Tetap Kompleks
Perbandingan dua periode memperlihatkan tiga perubahan utama.
Pertama, rata-rata MNC36 meningkat dari 314 menjadi 343 setelah pandemi.
Kedua, volatilitas yang tercermin dari standar deviasi turun dari 31 menjadi 24.
Ketiga, struktur ARIMA berubah dari ARIMA(3,1,3) menjadi ARIMA(2,1,13).
Menurut Muhamad Azhari Effendi dan Agus Herta Sumarto dari Universitas Mercu Buana, perbedaan tersebut menunjukkan bahwa model deret waktu perlu disesuaikan dengan kondisi pasar. Model yang cocok pada satu periode belum tentu menjadi pilihan terbaik pada periode lain.
Temuan ini juga memperkuat prinsip Box–Jenkins bahwa proses analisis deret waktu harus mencakup identifikasi, estimasi, dan diagnosis residual secara berurutan.
Peluang Pengembangan Model Prediksi
Penelitian ini membuka peluang untuk menggunakan metode yang lebih kompleks dalam menganalisis MNC36. Para peneliti merekomendasikan pengujian ARIMAX, ARIMA-GARCH, SARIMA, model regime-switching, hingga metode machine learning seperti LSTM dan support-vector regression.
Penelitian berikutnya juga dapat membandingkan kemampuan prediksi secara out-of-sample menggunakan ukuran seperti Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan Mean Absolute Percentage Error (MAPE).
Langkah tersebut penting karena model yang memiliki performa baik pada data historis belum tentu memberikan prediksi terbaik pada data baru.
Bagi investor dan pelaku pasar, pesan praktis dari studi ini cukup jelas: ARIMA dapat menjadi alat bantu untuk memahami dinamika historis MNC36, tetapi keputusan investasi tetap membutuhkan analisis yang lebih luas.
Profil Penulis
Muhamad Azhari Effendi
Penulis pertama dan corresponding author, Program Studi Manajemen, Fakultas Ekonomi dan Bisnis, Universitas Mercu Buana. Artikel tidak mencantumkan gelar akademik atau bidang keahlian spesifik penulis secara terpisah.
Agus Herta Sumarto
Penulis kedua, Program Studi Manajemen, Fakultas Ekonomi dan Bisnis, Universitas Mercu Buana. Artikel tidak mencantumkan gelar akademik atau bidang keahlian spesifik penulis secara terpisah.
Sumber Penelitian
Judul: Analysis of MNC36 Index Movements Using the Autoregressive Integrated Moving Average (ARIMA) Method During and After the COVID-19 Pandemic
Penulis: Muhamad Azhari Effendi dan Agus Herta Sumarto
Jurnal: International Journal of Sustainable Applied Sciences (IJSAS)
Volume: 4, Nomor 8
Tahun: 2026
Halaman: 1005–1016
DOI: 10.59890/ijsas.v4i8.55
URL: http://ijsasjournal.my.id/index.php/ijsas
.jpg)
0 Komentar