Analisis Kuantitatif Saham BBRI.JK: Pendekatan Teknikal, Statistik, dan Prediksi Time Series

Langkah 1: Load Packages

# Load libraries
library(quantmod)    # Untuk mengambil data saham
library(ggplot2)     # Untuk plotting
library(forecast)    # Untuk time series forecasting
library(TTR)         # Untuk indikator teknikal (RSI, MACD, dll.)
library(tseries)     # Untuk uji stasioneritas (ADF test)

Langkah 2: Ambil Data dari Yahoo Finance

# Ambil data BBRI.JK (Bank Rakyat Indonesia)
getSymbols("BBRI.JK", src = "yahoo", from = "2023-01-01", to = Sys.Date())

[1] "BBRI.JK"

# Simpan data ke dataframe
bbri <- data.frame(Date = index(BBRI.JK), coredata(BBRI.JK))
colnames(bbri) <- c("Date", "Open", "High", "Low", "Close", "Volume", "Adjusted")
head(bbri)

Langkah 3: Plot Harga Historis

# Plot harga penutupan (Close Price)
ggplot(bbri, aes(x = Date, y = Close)) +
  geom_line(color = "steelblue", linewidth = 1) +
  scale_x_date(
    date_breaks = "1 month",    # Label tiap 1 bulan
    date_labels = "%b %Y",      # Format: "Jun 2023"
    guide = guide_axis(angle = 45)  # Rotasi label 45°
  ) +
  labs(title = "BBRI.JK: Harga Harian (2023-Sekarang)", 
       x = "Tanggal", y = "Harga Penutupan (IDR)") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Interpretasi:

• Tren naik/turun/bergerak sideways (sesuaikan dengan pola yang terlihat).

• Jika ada lonjakan volume, bisa mengkonfirmasi breakout atau reversal.

Langkah 4: Analisis Teknikal (RSI & Moving Average)

# Hitung RSI (14 hari)
bbri$RSI <- RSI(bbri$Close, n = 14)

# Hitung Moving Average 50 hari dan 200 hari
bbri$MA50 <- SMA(bbri$Close, n = 50)
bbri$MA200 <- SMA(bbri$Close, n = 200)

ggplot(bbri, aes(x = Date, y = RSI)) +
  geom_line(color = "purple", linewidth = 0.8) +
  geom_hline(yintercept = 70, linetype = "dashed", color = "red") +
  geom_hline(yintercept = 30, linetype = "dashed", color = "green") +
  scale_x_date(
    date_breaks = "1 month",          # Label per bulan
    date_labels = "%b %Y",            # Format: "Jun 2023"
    expand = c(0, 0)                  # Hilangkan margin kosong
  ) +
  labs(
    title = "Indikator RSI 14 Hari BBRI.JK",
    subtitle = "Level Overbought (>70) dan Oversold (<30)",
    x = "Tanggal (Bulan-Tahun)",
    y = "Nilai RSI"
  ) +
  theme_minimal() +
  theme(
    axis.text.x = element_text(angle = 45, hjust = 1),  # Miringkan label
    plot.title = element_text(face = "bold")
  )

Interpretasi:

• RSI > 70: Overbought (potensi jual).

• RSI < 30: Oversold (potensi beli).

• Golden Cross (MA50 > MA200): Sinyal bullish.

• Death Cross (MA50 < MA200): Sinyal bearish.

Langkah 5: Prediksi Harga dengan ARIMA

# Konversi data ke time series
ts_data <- ts(bbri$Close, frequency = 252)  # 252 hari trading per tahun

# Uji stasioneritas (ADF Test)
adf.test(ts_data)  # Jika p-value < 0.05, data stasioner

    Augmented Dickey-Fuller Test

data:  ts_data
Dickey-Fuller = -2.3043, Lag order = 8, p-value = 0.4495
alternative hypothesis: stationary

# Fit ARIMA model
arima_model <- auto.arima(ts_data)
summary(arima_model)

Series: ts_data 
ARIMA(0,1,0) 

sigma^2 = 7651:  log likelihood = -3433.99
AIC=6869.98   AICc=6869.99   BIC=6874.35

Training set error measures:
                    ME     RMSE      MAE         MPE     MAPE       MASE        ACF1
Training set -1.772483 87.39302 65.36793 -0.05894346 1.375678 0.06256657 -0.03481964

# Prediksi 30 hari ke depan
forecast_data <- forecast(arima_model, h = 30)
autoplot(forecast_data) +
  labs(title = "Prediksi Harga BBRI.JK (30 Hari ke Depan)", x = "Hari", y = "Harga") +
  theme_minimal()

Interpretasi:

• ARIMA(p,d,q): Model terbaik dipilih secara otomatis.

• Confidence interval (abu-abu): Rentang ketidakpastian prediksi.

Langkah 6: Analisis Volatilitas (ATR)

# Hitung ATR (pakai solusi 1)
atr_data <- ATR(bbri[, c("High", "Low", "Close")], n = 14)
bbri$ATR <- atr_data[, "atr"]

ggplot(bbri, aes(x = Date, y = ATR)) +
  geom_line(color = "red") +
  scale_x_date(
    date_breaks = "2 weeks",   # Label tiap 2 minggu
    date_labels = "%d %b"      # Format: "05 Jun"
  ) +
  labs(title = "Volatilitas BBRI (ATR 14 Hari)", x = "Tanggal", y = "ATR") +
  theme(axis.text.x = element_text(angle = 90, vjust = 0.5))  # Label vertikal

Output:

• Garis merah (ATR) yang naik menunjukkan peningkatan volatilitas.

• Korelasi antara lonjakan ATR dan pergerakan harga ekstrem bisa dilihat.

• Interpretasi ATR untuk BBRI.JK:

• ATR tinggi (misal > 5% dari harga saham):

• Menunjukkan volatilitas tinggi → Potensi peluang trading (breakout/swing), tetapi risiko juga besar.Contoh: Jika BBRI memiliki ATR 200 IDR dan harga 5,000 IDR, berarti pergerakan harian rata-rata ±4%.

ATR rendah:

• Pasar sedang konsolidasi → Kurang menarik untuk trader harian.

• Catatan Penting: ATR tidak menunjukkan arah tren, hanya volatilitas.

• Lebih efektif jika dikombinasikan dengan indikator lain (contoh: Parabolic SAR atau Bollinger Bands).