Metode ARIMA Pemecahan Masalah

3.3 Pengumpulan Data

Pengumpulan data dilakukan dengan cara mengumpulkan data harga saham Astra Agro Lestari Tbk. AALI.JK yang bersumber di http: finance.yahoo.com . Data yang digunakan merupakan data harga saham pada saat penutupan mulai tanggal 18 September 2013 sampai dengan tanggal 31 Maret 2015. Data yang dikumpulkan sebanyak 400 data harga saham Astra Agro Lestari Tbk. AALI.JK. Data dicatat sesuai dengan trading days Senin- Juma‟at banyaknya hari kerja yaitu 1 minggu terdiri dari 5 hari dan tidak termasuk hari libur nasional.

3.4 Pemecahan Masalah

3.4.1 Metode ARIMA

Langkah-langkah peramalan harga saham dengan metode ARIMA adalah sebagai berikut. 1. Identifikasi model Pada tahap pertama kali, hal yang dilakukan yaitu memplotkan data saham asli dan membuat grafik ACF serta PACF. Plot dan grafik tersebut digunakan untuk melihat pola yang terkandung dan kestasioneran pada data time series. Kestasioneran data juga dapat diketahui menggunakan uji uni root. Apabila data saham tersebut tidak stasioner dalam varian maka perlu dilakukan transformasi. Sedangkan, apabila data saham tersebut tidak stasioner dalam mean maka dilakukan differencing. Hasil dari grafik ACF dan PACF pada data yang sudah stasioner digunakan sebagai petunjuk untuk menentukan model awal yang dijelaskan pada Tabel 3.1. Tabel 3.1 Karakteristik dari ACF dan PACF untuk proses stasioner Proses Autocorrelation Function Autocorrelation Parsial Function AR Meluruh menuju nol secara eksponensial atau mengikuti pola gelombang sinus Terputus seketika cutoff menuju nol setelah lag MA Terputus seketika cutoff menuju nol setelah lag Meluruh menuju nol secara eksponensial atau mengikuti pola gelombang sinus ARMA Meluruh menuju nol secara eksponensial atau mengikuti pola gelombang sinus Meluruh menuju nol secara eksponensial atau mengikuti pola gelombang sinus 2. Estimasi model Tahap selanjutnya yaitu estimasi model. Dalam tahap ini, setelah menentukan model awal, akan diperoleh estimasi koefisien-koefisien dari model yang diperoleh pada tahap identifikasi. Beberapa model yang sudah dipilih akan diterima apabila koefisien hasil estimasi signifikan. Sebaliknya, apabila koefisien hasil estimasi tidak signifikan maka model tersebut ditolak. 3. Diagnostic checking Setelah tahap estimasi model, langkah selanjutnya yaitu melakukan diagnotic checking dari model yang telah diestimasi. Pada tahap ini dilakukan verifikasi kesesuaian model dengan sifat-sifat data serta dilakukan pemilihan model terbaik berdasarkan MSE yang diperoleh. Jika modelnya tepat maka data yang dihitung dengan model akan memiliki sifat-sifat yang mirip dengan data asli. Dengan demikian, residual yang dihitung berdasarkan model yang telah diestimasi bersifat white noise. 4. Peramalan berdasarkan model terbaik Setelah model terbaik diperoleh berdasarkan langkah-langkah sebelumnya, model tersebut digunakan untuk meramalkan data di masa yang akan datang. Data hasil peramalan ini akan mendekati data aslinya. Diagram alur penggunaan metode ARIMA ditunjukkan oleh Gambar 3.1. A Plot data Mulai Input data Sudah stasioner? Uji stasionaritas data Varian: transformasi Mean: differencing Identifikasi model sementara Estimasi model Pemeriksaan diagnostik Sudah cocok? Tidak Ya Tidak Ya Gambar 3.1 Flowchart proses ARIMA

3.4.2 Metode Jaringan Syaraf Tiruan