BAB 1
PENDAHULUAN
1.1 Latar Belakang
Peramalan merupakan studi terhadap data historis untuk menemukan hubungan, kecenderungan dan pola data yang sistematis Makridakis, 1999. Peramalan
menggunakan pendekatan statistik maupun non statistik keduanya bertujuan untuk meramalkan pola data mendatang yang diharapkan mendekati data aktual.
Analisa deret waktu merupakan analisa yang berhubungan erat dengan peramalan. Kondisi data yang ada sesuai dengan urutan waktu atau memiliki periode
tertentu. Secara umum, semua aktifitas yang dilakukan manusia sering mengalami ketidakpastian dalam hal pengambilan keputusan sehingga diperlukan suatu
peramalan untuk memprediksi kejadian di masa yang akan datang.
Selama ini banyak peramalan dilakukan dengan menggunakan metode-metode statistika seperti metode
smoothing,
Box-Jenkins, ekonometri, regresi, fungsi transfer dan sebagainya. Metode-metode tersebut diharapkan dapat mengidentifikasi model
yang digunakan untuk meramalkan kondisi pada waktu yang akan datang sehingga
error
-nya menjadi seminimal mungkin.
Universitas Sumatera Utara
Penggunaan teknik peramalan diawali dengan pola data pada waktu terdahulu. Untuk mengembangkan model yang sesuai dengan menggunakan asumsi bahwa pola
data pada waktu yang lalu akan berulang lagi pada waktu yang akan datang. Selanjutnya model digunakan untuk meramalkan kondisi pada waktu yang akan
datang.
Dalam pemulusan
smoothing
eksponensial terdapat satu atau lebih parameter pemulusan yang ditentukan secara eksplisit dan hasil pilihan menentukan bobot yang
dikenakan pada nilai observasi Makridakis, 1999. Dengan menggunakan nilai observasi yang telah diketahui, dapat dihitung nilai kesalahan pencocokan suatu
ukuran dari model. Jika nilai observasi baru tersedia, maka dapat dihitung nilai kesalahan peramalan
forecasting error.
Model
Autoregressive Integrated Moving Average
ARIMA merupakan metode yang secara intensif dikembangkan oleh George Box dan Gwilym Jenkins.
ARIMA adalah teknik untuk mencari pola yang paling cocok dari sekelompok data. Metode ini merupakan gabungan dari metode pemulusan, regresi, dan metode
dekomposisi. Metode ARIMA memanfaatkan sepenuhnya data masa lalu dan data sekarang untuk menghasilkan peramalan yang akurat. Metode ARIMA akan bekerja
dengan baik apabila data pada deret waktu yang digunakan bersifat dependen atau berhubungan satu sama lain secara statistik Makridakis, 1999.
Indeks Harga Saham Gabungan atau yang lebih dikenal dengan IHSG tentu menjadi sebuah istilah yang akrab di telinga sebagian masyarakat, terlebih bagi para
investor pasar saham. IHSG sering dijadikan acuan guna melihat representasi pergerakan pasar saham secara keseluruhan. Kenaikan atau penurunan tajam harga
satu saham memang berpengaruh terhadap pergerakan IHSG. Namun seberapa besar kenaikan itu mempengaruhi IHSG tergantung pada bobot saham tersebut.
Universitas Sumatera Utara
Pada penelitian ini penulis mencoba menganalisa perbandingan nilai peramalan Indeks Harga Saham Gabungan IHSG menggunakan metode ARIMA dan
metode pemulusan
smoothing
eksponensial dengan mengidentifikasi model yang digunakan untuk meramalkan nilai pada waktu yang akan datang sehingga
error
-nya menjadi seminimal mungkin.
Kedua model di atas memiliki persamaan dan perbedaan diantara keduanya. Berdasarkan uraian di atas, maka penulis memilih judul
“Perbandingan Metode Pemulusan
Smoothing
Eksponensial dan ARIMA Box-Jenkins Sebagai Metode Peramalan Indeks Harga Saham Gabungan IHSG.”
1.2 Perumusan Masalah