Menghitung Harga Wajar dengan Analisa Regresi Linier (Contoh : UNVR, MYOR, KLBF, ICBP, TLKM)

PENDAHULUAN

Pada beberapa tulisan sebelumnya saya pernah membahas tentang pola PER dan korelasi nya dengan harga saham. Pola tersebut biasa saya tampilkan dalam bentuk grafik. Dalam beberapa kasus, PER ternyata berkorelasi (berkaitan) dengan bertambahnya waktu. Semakin bertambah waktu, PER suatu saham juga naik, dan pada akhirnya harga sahampun naik. Pola PER mencerminkan pola persepsi pasar yang merefreksikan kinerja perusahan dan harapan pasar.

Pada tulisan terakhir tentang valuasi UNVR (UNVR, Selamat Datang di Portoku….. Mencoba Menghitung Valuasi UNVR ), saya menampilkan rata-rata pertumbuhan EPS dan PER.  Cara hitung rata-rata pertumbuhan tersebut sebagai cara yang sederhana. Angka pertumbuhan tersebut sebenarnya juga bisa mengindikasikan adanya korelasi. Pertumbuhan yang positif mengindikasikan adanya korelasi positif, pertumbuhan negatif mengindikasikan korelasi yang negatif, dan pertumbuhan nol berarti tidak ada korelasi.

Pada kesempatan ini saya akan mencoba menghitung korelasi PER tidak dengan grafik atau rata-rata pertumbuhan seperti sebelumnya. Tetapi dengan metode statistik yang dinamakan Analisa Regresi.

ANALISIS REGRESI

Analisa Regresi. Analisa statistika yang sudah umum digunakan dalam pengolahan data kuantitatif. Berikut adalah definisi analisa ini merujuk pada https://id.wikipedia.org/wiki/Analisis_regresi

Analisis regresi dalam statistika adalah salah satu metode untuk menentukan hubungan sebab-akibat antara satu variabel dengan variabel(-variabel) yang lain. Variabel “penyebab” disebut dengan bermacam-macam istilah: variabel penjelas, variabel eksplanatorik, variabel independen, atau secara bebas, variabel X (karena seringkali digambarkan dalam grafik sebagai absis, atau sumbu X). Variabel terkena akibat dikenal sebagai variabel yang dipengaruhi, variabel dependen, variabel terikat, atau variabel Y. Kedua variabel ini dapat merupakan variabel acak (random), namun variabel yang dipengaruhi harus selalu variabel acak.

Hubungan antara variabel penjelas (X) dengan variabel yang dipengaruhi (Y) bisa dalam bentuk fungsi linear atau fungsi non linear. Fungsi linier bisa digambarkan dalam bentuk grafik garis lurus. Sedangkan fungsi non linier berbentuk garis melengkung atau tidak lurus seperti bentuk polinomial, kuadratik, eksponensial, logaritma, dan sebagainya.

Variabel penjelas (X) bisa berjumlah 1 variabel atau banyak. Apabila X hanya 1, maka biasa disebut sebagai Regresi Sedehana, dan bila melibatkan banyak X disebut Regresi Berganda (Multiple Regresi).

Dalam tulisan, ini saya akan menggunakan pendekatan Fungsi Linier dengan 1 variabel penjelas (X).  Analisa regresi yang dihasilkan akan mempunyai persamaan statistik :

Y =a +bX + e

Disini a disebut intersep, b sebagai koefisien, dan e adalah kesalahan (error) dari nilai amatan dengan nilai sewajarnya. Nilai sewajarnya ini adalah nilai yang dihasilkan dari fungsi persamaan regresi.

Dalam perhitungan statistik, syarat dari sebuah fungsi regresi yang bagus adalah nilai e (error) adalah seminimal mungkin atau mendekati nilai 0. Sehingga pada akhirnya hasil regresinya mengikuti persamaan matematika :

Y =a +bX

Langkah yang saya gunakan dalam membuat analisa regresi adalah :

  • menentukan model persamaan regresi atau model korelasi variabel X dan Y
  • menyiapkan data
  • melihat grafik pola hubungan (korelasi) variabel X dan Y
  • melakukan analisa regresi hubungan (korelasi) variabel X dan Y
  • mendapatkan model yang lolos uji secara statistik

LANGKAH MEMBUAT ANALISA REGRESI

Menentukan Model Persamaan Regresi

Tujuan akhir analisa ini adalah untuk memprediksi valuasi harga suatu saham pada kurun waktu tertentu (tahun tertentu). Valuasi ini mengikuti rumus :

(Harga Wajar Tahun tertentu) = (EPS Prediksi ) * (PER Wajar)    [pada tahun tertentu]

Jadi untuk menentukan berapa Harga Wajar pada suatu tahun, saya harus bisa memprediksi Nilai EPS dan PER Wajar saham tersebut pada tahun tersebut. Nilai EPS bisa diprediksi dari kinerja sebelumnya dan target yang ditentukan oleh manajemen. Sementara PER Wajar bisa diprediksi dari pola PER berdasarkan waktu seperti pada tulisan sebelumnya [PER Berkorelasi dengan Harga Saham (Analisa Korelasi 2) ].

Salah satu cara memprediksi PER Wajar pada tahun tertentu adalah dengan menghitung korelasi time-series (deret waktu). Seberapa besar perubahan PER seiring dengan berjalannya waktu. Dan ini bisa dirumuskan dalam persamaan berikut :

  • Y =  a  + b * X, dimana
  • Y = PER waktu ke -, dan X = Waktu ke –

Disinilah peranan analisa regresi dalam memprediksi PER Wajar pada persamaan di atas.

Menyiapkan Data

Data yang dibutuhkan untuk membuat analisa regresi dari persamaan di atas adalah sekumpulan PER dari waktu ke waktu. Semakin banyak jumlah amatan (jumlah waktu), maka semakin baik hasil analisa yang didapatkan. Data yang diperlukan saya dapatkan dari system HOTs yang disediakan oleh sekuritas tempat saya membuka account.

Saham yang saya gunakan adalah UNVR. Data amatan saya adalah nilai PER setiap quartal. Saya menggunakan data Historical dari Quartal Q1 tahun 2006 sampai dengan Q4 2016. Jadi total amatan untuk analisa ini ada sebanyak 44 amatan = 11 tahun * 4 quartal.

Data PER saya sebut sebagay Variabel Y atau variabel Terikat dan data Quartal sebagai variabel X atau penjelas.

Melihat Grafik Pola Hubungan (Korelasi) X dan Y

Sebelum memulai analisa, biasanya saya membuat grafik pola hubungan untuk mendapat gambaran awal. Berikut adalah Grafik pola PER UNVR Quartalan dari waktu ke waktu. Di mulai dari Q1 2006 sampai dengan Q4 2016.

Grafik 1. Prediksi PER Berdasarkan Pola Deret Waktu

Prediksi_PER_UNVR

Dari Grafik di atas, kita akan disuguhi pertanyaan mendasar. Berapa kira-kira nilai PER UNVR ke depannya? Berapa nilai PER 1 tahun ke depan? 2 tahun ke depan? dan sebagainya.

Apakah nilai PER akan naik mengikuti garis lurus menanjak warna hitam? Atau turun mengikuti rata-rata PER 10 tahun terakhir di MEAN PER sebesar 33,5? Atau menuju Rata-rata PER 5 tahun terakhir ? Atau menuju Rata-rata PER 2 tahun terakhir? atau PER tahun depan sama dengan PER setahun terakhir?

Sebelum meneruskan ke analisa selanjutnya, kita harus berasumsi dulu kemana arah PER di tahun depan. Jawaban setiap orang kemungkinan akan berbeda tergantung pemahaman dan keyakinan masing-masing terhadap saham ini. Bagi saya sendiri, saya akan menjawab bahwa PER UNVR di masa depan punya peluang yang besar untuk naik seiring mengikuti garis lurus menanjak warna hitam. Atau Garis MEAN PE Fungsi Linier. Bagaimana dengan anda?

Pola PER UNVR cenderung naik dari waktu ke waktu. Kenaikan PER ternyata mengikuti garis linier  (lurus) yang membelah variasi (keragaman) datanya. Seperti dalam tulisan sebelumnya, garis lurus ini bisa saya anggap sebagai Rata-rata PER (atau MEAN PER) fungsi linier. Jadi bila PER di masih di bawah garis lurus maka masih bisa dianggap lebih rendah dari PER wajarnya, dan bila di atas garis maka lebih tinggi dari PER wajarnya..

Analisa regresi dibutuhkan untuk menentukan rumus persamaan garis tersebut. Dari persamaan yang didapatkan, kita akan mudah dalam memprediksi PER Wajar UNVR di masa mendatang.

Melakukan Analisa Regresi Variabel X dan Y

Analisa regresi dilakukan dengan menggunakan aplikasi statistik. Hasil analisa yang penting adalah :

  • kelayakan model secara statistik
  • persamaan matematika yang didapatkan

a. Kelayakan model secara statistik

Beberapa indikator kelayakan model adalah

Anova. Anova atau analysis of variance atau analisa varian. Analisa ini digunkan untuk melakukan pengujian variasi (keragamanan) hasil dari model yang terbentuk. Semakin bagus suatu model maka keragaman hasil semakin kecil. Alat ukur menentukan validitas keragaman secara statistik adalah dengan Uji F. Tingkat kesalahan pengujian ini disebut sebagai nilai Prop. Atau tingkat keabsahan uji F adalah 1-prop. Ukuran uji F lolos secara setatistik adalah bila nilai Prop < 0.05 yang berarti tingkat keabsahan sebesar lebih dari 95%.

Hasil anova model regresi bisa dilihat pada tabel di bawah

UJI_regresi_a

Diperoleh bahwa nilai F hitung adalah sebesar 238,420, atau setara dengan nilai uji Prop F sebesar 0,00. Nlai Prop F tercatat lebih rendah dari 0.05 artinya model tersebut sudah sangat layak. Keragaman yang dihasilkan oleh model tersebut relatif rendah. Jadi model regresi yang dihasilkan sudah vaid secara statistik dengan tingkat kepercayaan kita terhadap model lebih dari 95% (1-0.05).

Nilai R Square. Angka selanjutnya adalah nilai R square, atau biasa disebut sebagai Koefisien Determinasi. Nilai ini bermakna tentang variasi datanya yang bisa dijelaskan oleh model yang dibuat. Semakin besar nilai R Square, maka semakin tinggi model tersebut bisa menjelaskan variasi data. Apabila R Square sama dengan 100 maka model regresi 100% tepat menggambarkan sebaran datanya, atau tidak ada error yang tersisa. Dari sini kita juga bisa dapatkan margin of error atau tingkat kesalahan atau deviasi dari dari model ini yaitu sebesar 1-R Square.

Nilai R Square bisa saya gunakan dalam mengukur konsisten suatu model. Semakin tinggi R Square maka semakin konsisten model tersebut dalam memprediksi suatu hasil. begitu pula sebaliknya.

UJI_regresi_r

Nilai R square sebesar 0,850. Artinya bahwa sekumpulan PER UNVR dari tahun 2006 samapai 2016, bisa dijelaskan oleh model tersebut sebesar 85%. Hanya 15% data yang tidak bisa dijelaskan dengan model. Atau margin of error atau deviasi nya adalah sebesar 15%. Ini mengindikasikan bahwa hubungan PER dengan perubahan wahtu benar-benar sangat konsisten.

Dari dua indikator ini, saya menaruh keyakinan tinggi akan model yang terbentuk untuk memprediksi rasio PER 1 tahun ke depan. Mengapa 1 tahun ke depan? Jangka pendek relatif lebih bisa diprediksi. Sementara jangka panjang tetap menjadi misteri. Walau demikian, hasil tersebut bisa digunakan untuk pegangan dalam prediksi jangka yang lebih panjang. Apabila setahun ke depan telah bergulir, sebaiknya data-data tersebut digunakan lagi untuk mengkalibrasi atau membuat model ulang dengan cara yang sama.

Persamaan Linier Yang Dihasilkan

Hasil lain dari analisa regresi bisa dilihat pada tabel berikut.

UJI_regresi_c

Dari regresi di atas bisa disimpulkan bahwa :

Y = a + b * X

PER Quartal ke =   15,009 + (0,824 * Quartal ke)

Nilai 15,009 adalah konstanta atau intersep atau nilai alpha atau nilai rata-rata awal dari PER  UNVR. Sedangkan 0,824 adalah koefisien atau nilai betha. Koefisien ini merupakan faktor multiflier waktu, nilai 0,824 mengindikasikan bahwa ada peningkatan sebesar 0,824  kali untuk setiap penambahan 1 kuartal. Dan bila dikoversi ke tahun, maka ada peningkatan PER sebesar  4*( 0,824 ) atau 3,296 setiap tahunnya.

Sebagai contoh, untuk memprediksi PER Wajar pada Quartal 4 tahun 2017 atau quartal ke 48, maka rumus nya adalah :

PER Quartal ke 48 =  15,009 + (0,824 *48)  = 15,009 + 37,904 = 54,56.

Dari hitungan di atas, maka prediksi PER wajar untuk tahun 2017 adalah sebesar 54,56. Tinggal kita bandingkan, apakah PER sekarang masih berada di bawah atau di atas PER tersebut.

MEMPREDIKSI HARGA WAJAR DARI MODEL REGRESI

Prediksi PER Wajar dan Margin of Error

Dengan cara perhitungan di atas, saya bisa membuat simulasi untuk MEAN PER atau PER Wajar UNVR beberapa tahun ke depan. Selain nilai PER wajarnya, saya juga memprediksi batas atas dan bawah PER dengan menggunakan informasi margin of error.

Semakin besar margin of error (deviasi) maka semakin lebar range nilai PER dari batas deviasi bawah sampai batas deviasi atas. Nilai batas dihitung dari nilai Margin of error dibagi 2.

Nilai R square untuk model PER UNVR adalah sebesar 85%. Ini mengindikasikan bahwa variasi naik-turunnya data (margin of error) dibandingkan garis model adalah tidak lebih dari 15%. Dari angka ini, saya bisa men-set nilai range deviasi dari batas bawah ke batas atas adalah sebesar +- 15% dari nilai PER Wajarnya. Sehingga garis batas deviasi ada di sekitar +-15%/2 = +-7,5%.

Hasil perhitungan PER wajar dan PER batas deviasi bawah (-7,5%) dan batas deviasi atas (+7,5%) bisa dilihat pada tabel berikut.

Tahun Quartal ke – Batas deviasi Bawah -7,5% PER Wajar Batas deviasi Atas +7,5%
Tahun 2014 36 41,32 44,67 48,02
Tahun 2015 40 44,37 47,97 51,57
Tahun 2016 44 47,42 51,27 55,11
Tahun 2017 48 50,47 54,56 58,65
Tahun 2018 52 53,52 57,86 62,20
Tahun 2019 56 56,57 61,15 65,74

Prediksi Valuasi Harga Persamaan Linier Yang Dihasilkan

Hasil prediksi PER di atas, selanjutkan kita gunakan untuk menghitung harga wajar UNVR pada tahun-tahun tersebut. Perhitungan harga wajar adalah dengan meng-kali-kan nilai PER Wajar dengan prediksi EPS tahunan.

Harga Wajar = (PER Wajar) * EPS

Hasil prediksi Harga Wajar dan Batas deviasi berdasarkan Prediksi PER dan EPS bisa dilihat pada tabel di bawah.

Prediksi_Harga_UNVR

PERBANDINGAN HASIL REGRESI DENGAN SAHAM LAIN

Hasil Regresi Saham-Saham Lain

Dengan cara analisa regresi seperti di atas, saya mencoba menganalisa model PER saham-saham lain seperti KLBF, MYOR, ICBP dan TLKM. Rangkuman analisa Model Regresi untuk PER saham-saham tersebut bisa dilhat pada tabel di bawah.

Saham F Prop R Square Keragaman Intercep Koefisien
UNVR 238,420 0,000 0,850 0,150 15,009 0,824
MYOR 30,427 0,000 0,420 0,580 3,073 0,770
KLBF 69,523 0,000 0,623 0,377 9,360 0,617
ICBP *) 15,224 0,001 0,398 0,602 6,248 0,467
TLKM 20,932 0,000 0,338 0,662 12,066 0,131

*) note : perhitungan ICBP dimulai dari Quartal 4 2010.

Kelima model regresi PER di atas bisa disimpulkan valid secara statistik. Artinya pola PER UNVR, MYOR, KLBF, ICBP dan TLKM berkorelasi linier terhadap perubahan waktu. PER akan naik seiring dengan bertambhanya waktu.  Hal ini bisa dilihat dari hasil pengujian F, dimana nilai Prop Uji F masih lebih rendah dari 0,05.

Dari hasil di atas, maka didapatkan rumus regresi PER untuk ke lima saham, yaitu:

  1. PER UNVR = 15,009 + (0,824 * Quartal ke -)
  2. PER MYOR = 3,073 + (0,770 * Quartal ke -)
  3. PER KLBF = 9,360 + (0,617 * Quartal ke -)
  4. PER ICBP = 6,248 + (0,467 * Quartal ke -)
  5. PER TLKM = 12,066 + (0,131 * Quartal ke -)

Perbandingan PER Wajar Tahun 2017

Berikut adalah perbandingan PER wajar dan batas deviasi nya untuk masing-masing saham pada tahun 2017. Cara perhitungan dilakukan seperti pada bagian sebelumnya yaitu memasukkan angka 48 sebagai pengganti Quartal 4 tahun 2017. Batas deviasi atas bawah menggunakan nilai margin of error. Hasil perhitungan bisa dilihat pada tabel di bawah.

Tabel. Perbandingan PER Wajar Beberapa Saham pada Tahun 2017

PER_Wajar_Regresi

Perbandingan Harga Wajar Tahun 2017

Harga wajar untuk tahun 2017 bisa diprediksi dari rumus berikut PER * EPS. Dengan prediksi EPS tahun 2017, didapatkan hasil harga wajar tahun 2017 seperti pada tabel di bawah. Sebagai perbandingan, pada tabel tersebut saya tampilkan kondisi harga saham per tanggal 15 September 2017.

Beberapa saham pada harga sekarang masih berada di bawah harga wajarnya seperti MYOR, KLBF dan ICBP. Sementara untuk TLKM dan UNVR walau berada di atas harga wajarnya tapi masih di bawah batas deviasi atas.

Tabel. Perbandingan Harga Wajar Beberapa Saham pada Tahun 2017

Prediksi_Harga_5Saham

Resiko yang perlu kita pertimbangkan dalam prediksi harga di atas adalah nilai EPS. Apabila EPS tahun 2017 sesuai prediksi, kemungkinan besar kisaran harga wajar tidak akan berbeda jauh dari hitungan. Sebaliknya, apabila EPS jauh dari ekspektasi maka harga wajar bisa melenceng dari prediksi.

KESIMPULAN

Analisa regresi linier di atas bisa bermanfaat untuk memprediksi harga saham yang pola PER nya berkorelasi positif terhadap perubahan waktu. Artinya PER akan naik seiring dengan perkembangan bisnisnya. Dari perhitungan analisa regresi di atas, saham-saham dengan karakter ini masih memiliki range harga yang masih wajar untuk dikoleksi untuk tujuan investasi jangka panjang.

Untuk itu, dalam membuat prediksi, saya memasukkan ambang batas bawah dan atas berdasarkan karakter saham. Saham-saham dengan karakter keragaman yang besar akan sangat sensitif direspon pasar bila kinerjanya tidak sesuai harapan. Seperti yang ditunjukkan oleh MYOR dan TLKM yang memiliki margin of error paling besar diantara kelima saham.

Dalam memprediksi harga wajar perusahaan, selain kemampuan prediksi PER wajar, tantangan terbesar kita adalah memprediksi kinerja perusahaan di masa depan. Kinerja perusahaan dalam penentuan harga saham biasa diwakili oleh nilai EPS. Apabila EPS sesuai prediksi, kemungkinan besar kisaran harga wajar tidak akan berbeda jauh dari hitungan. Sebaliknya, apabila EPS jauh dari ekspektasi maka harga wajar bisa melenceng dari prediksi.

Jadi Pekerjaan Rumah kita adalah melakukan kajian untuk memprediksi bagaimana kinerja saham-saham tersebut dimasa mendatang apakah akan naik sesuai dengan ekspektasi kita atau tidak.

PENUTUP

Analisa regresi di atas hanya sebagai salah satu alternatif metodologi untuk membantu saya dalam menghitung valuasi harga saham. Tidak semua saham bisa saya dekati dengan analisa ini karena setiap saham mempunyai karakter yang berbeda. Berbeda karena bisnis yang digeluti, berbeda karena besaran skala usaha dan banyak perbedaan lain.

Analisa ini bisa bermanfaat untuk saham yang memiliki pola PER yang berkorelasi linier terhadap perubahan waktu. Artinya PER akan naik seiring dengan perkembangan bisnisnya dan bersifat liner.

Semoga analisa ini bisa memperkaya perbendaharaan kita dalam menghitung valuasi harga saham.

Tetap semangat mengeksplorasi data

Salam

Cibinong, 17 September 2017

 

TSu Priyadi

tsp_adi@yahoo.com

 

 

Iklan

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

Logo WordPress.com

You are commenting using your WordPress.com account. Logout / Ubah )

Gambar Twitter

You are commenting using your Twitter account. Logout / Ubah )

Foto Facebook

You are commenting using your Facebook account. Logout / Ubah )

Foto Google+

You are commenting using your Google+ account. Logout / Ubah )

Connecting to %s