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
Masalah yang akan dibahas dalam penelitian ini adalah menentukan metode apakah yang terbaik dalam meramalkan Indeks Harga Saham Gabungan IHSG secara tepat.
1.3 Tinjauan Pustaka
Adapun teori yang digunakan dalam penelitian ini adalah sebagai berikut:
1.3.1 Metode Box-Jenkins
Metode ARIMA Box-Jenkins pada intinya sama seperti metode pemulusan yang didasarkan pada analisis data deret berkala. Pendekatan ARIMA secara teoritis dan
statistik sangat menarik. Hal ini disebabkan pendekatan yang digunakan dalam
Universitas Sumatera Utara
menetapkan pola deret berkala dan metodologi yang digunakan untuk mengekstrapolasi pola-pola tersebut untuk masa yang akan datang lebih didasarkan
pada teori statistik yang telah berkembang dengan baik.
Dalam metode Box-Jenkins tidak dibutuhkan adanya asumsi tentang adanya suatu pola yang tetap. Pendekatan Box-Jenkins dimulai dengan mengadakan asumsi
adanya pola percobaan yang disesuaikan dengan data historis, sehingga kesalahan dapat diminimalkan. Selanjutnya pendekatan Box-Jenkins akan memberikan informasi
secara tepat untuk keadaan atau situasi yang akan datang.
Makridakis 1999 menyebutkan dasar-dasar dalam analisis Metode Box- Jenkins yaitu:
1. Plot Data
Langkah awal dalam mengidentifikasi model ARIMA adalah memplot data deret berkala secara grafis. Dari plot data tersebut dapat diketahui pola data dan dari
pola data tersebut cukup dapat diketahui kestasioneran atau ketidakstasioneran dari data yang akan diramalkan.
2. Koefisien Autokorelasi
r
k
Koefisien autokorelasi mirip dengan koefisien korelasi, hanya saja koefisien autokorelasi berfungsi untuk menunjukkan keeratan hubungan antara nilai
variabel yang sama tetapi pada waktu yang berbeda.
Autokorelasi memberikan informasi yang penting tentang susunan atau struktur data dan pola data. Dari suatu kumpulan data acak atau random yang lengkap,
autokorelasi diantara nilai-nilai data dari ciri yang musiman atau siklis akan mempunyai autokorelasi yang kuat. Dengan mengetahui nilai koefisien autokorelasi,
dapat diketahui ciri, pola dan jenis data, sehingga dapat memenuhi maksud untuk mengidentifikasi suatu model percobaan yang dapat disesuaikan dengan data.
Universitas Sumatera Utara
Menurut Hendranata 2003, Model Box-Jenkins ARIMA dibagi kedalam 3 kelompok, yaitu model
autoregressive
AR,
moving average
MA, dan model campuran ARIMA
autoregressive moving average
yang mempunyai karakteristik dari dua model pertama.
1. Autoregressive Model AR
Bentuk umum model
autoregressive
dengan ordo
p
AR
p
atau model ARIMA
p
,0,0 dinyatakan sebagai berikut:
dengan, μ
= suatu konstanta = parameter autoregresif ke-
p e
t
= nilai kesalahan pada saat
t
2.
Moving Average Model
MA Bentuk umum model
moving average
ordo
q
MA
q
atau ARIMA 0,0,
q
dinyatakan sebagai berikut:
dengan, μ
= suatu konstanta θ
1
sampai θ
q
adalah parameter-parameter
moving average e
t-k
= nilai kesalahan pada saat
t
–
k
3. Model campuran
a. Proses ARMA
Model umum untuk campuran proses AR 1 murni dan MA 1 murni, misal
Universitas Sumatera Utara
ARIMA 1,0,1 dinyatakan sebagai berikut:
atau
AR1 MA1
b. Proses ARIMA
Apabila nonstasioneritas ditambahkan pada campuran proses ARMA, maka model umum ARIMA
p,d,q
terpenuhi. Persamaan untuk kasus sederhana ARIMA 1,1,1 adalah sebagai berikut:
pembedaan AR 1 MA 1 pertama
1.3.2 Metode Pemulusan
Smoothing
Nilai rata-rata merupakan penaksir atau estimator yang meminimumkan nilai tengah kesalahan kuadrat MSE Assauri,1984. Jika nilai tengah tersebut dipakai sebagai
peramal maka metode peramalan memerlukan pengetahuan tentang kondisi yang menentukan kecocokannya. Untuk nilai rata-rata, maka kondisinya harus stasioner
data berada dalam keseimbangan disekitar nilai rata-rata tersebut.
Universitas Sumatera Utara
Jika deret waktu mengandung trend kecenderungan keatas atau kebawah, atau pengaruh musiman atau keduanya sekaligus maka rata-rata sederhana tidak dapat
menggambarkan pola data tersebut.
Secara umum metode
smoothing
diklasifikasikan menjadi dua bagian Assauri, 1984, yaitu:
1. Metode Rata-rata
Tujuan dari metode rata-rata adalah untuk memanfaatkan data masa lalu dalam mengembangkan suatu sistem peramalan pada periode mendatang.
Metode rata-rata terdiri dari :
a. Nilai tengah kesalahan
b. Rata-rata bergerak tunggal
Single Moving Average
c. Rata-rata bergerak ganda
Double Moving Average
d. Kombinasi rata-rata bergerak lainnya
2. Metode Pemulusan
Smoothing
Eksponensial Dalam pemulusan eksponensial terdapat satu atau lebih parameter pemulusan yang
ditentukan secara eksplisit, dan hasil pemilihan ini menetukan bobot yang dikenakan pada nilai observasi.
Metode pemulusan eksponensial terdiri dari :
a.
Smoothing
Eksponensial Tunggal b.
Smoothing
Eksponensial Ganda 1.
Metode Linier satu parameter dari Brown 2.
Metode dua parameter dari Holt c.
Smoothing
Eksponensial
Triple
Universitas Sumatera Utara
1.3.3 Metode Pemulusan yang digunakan
Untuk mendapatkan suatu hasil yang baik harus diketahui cara peramalan yang tepat. Data deret berkala yang digunakan setelah diplot dalam grafis tidak menunjukkan pola
data trend linier dan dapat juga dilihat dari plot autokorelasi dan nilai-nilai korelasinya. Maka metode peramalan analisa
time series
yang digunakan untuk meramalkan data deret berkala yang digunakan adalah Metode
Smoothing
Eksponensial Tunggal Satu Parameter.
Bentuk umum dari Metode
Smoothing
Eksponensial Tunggal Satu Parameter adalah:
Keterangan: F
t+1
= ramalan satu periode kedepan Y
t
= data aktual pada periode t F
t
= ramalan pada periode t α
= parameter pemulusan 0 α 1
1.4 Tujuan Penelitian
Tujuan dari penelitian ini adalah: 1.
Membandingkan metode
smoothing
eksponensial dan ARIMA untuk peramalan Indeks Harga Saham Gabungan IHSG.
Universitas Sumatera Utara
2. Mendapatkan persamaan estimasi peramalan menggunakan metode
smoothing
eksponensial dan ARIMA. 3.
Mendapatkan nilai ketepatan ramalan dari metode
smoothing
eksponensial dan ARIMA.
1.5 Kontribusi Penelitian
Dengan adanya penelitian ini diharapkan dapat menambah ilmu pengetahuan khususnya model pemulusan
smoothing
eksponensial dan ARIMA bagi penulis dan pembaca di bidang peramalan, sehingga dapat digunakan untuk memprediksi atau
meramalkan nilai periode yang akan datang.
1.6 Metodologi Penelitian
Untuk mencapai tujuan penelitian, adapun langkah-langkah yang dilakukan adalah:
1. Memilih dan mengumpulkan data yang stasioner
2. Mengidentifikasi model sementara
3. Melakukan estimasi parameter dari model sementara
4. Melakukan diagnostik untuk menentukan apakah model memadai
5. Menggunakan model terpilih untuk peramalan
Universitas Sumatera Utara
BAB 2 LANDASAN TEORI
Pada bab ini akan dijelaskan teori-teori yang menjadi dasar dan landasan dalam penelitian sehingga membantu mempermudah pembahasan selanjutnya. Teori tersebut
meliputi arti dan peranan metode peramalan, metode deret berkala, tahapan metode yang dipakai, uji statistik yang digunakan serta ketepatan ramalan yang digunakan.
2.1 Arti dan Peranan Metode Peramalan Metode peramalan merupakan cara untuk memperkirakan secara kuantitatif apa yang
akan terjadi pada masa yang akan datang dengan dasar data yang relevan pada masa lalu. Dengan kata lain metode peramalan ini digunakan dalam peramalan yang bersifat
objektif.
Keberhasilan dari suatu peramalan sangat ditentukan oleh: 1.
Pengetahuan dan teknik tentang informasi yang lalu yang dibutuhkan 2.
Teknik dan metode peramalannya Oleh karena keberhasilan tersebut, dapat dikatakan baik tidaknya suatu
ramalan yang disusun ditentukan oleh metode yang digunakan juga baik tidaknya informasi kuantitatif yang digunakan. Selama informasi yang digunakan tidak dapat
meyakinkan, maka hasil peramalan yang disusun akan sulit dipercaya ketepatan ramalannya.
Metode peramalan merupakan cara memperkirakan apa yang akan terjadi pada masa yang akan datang secara sistematis, sehingga metode peramalan sangat berguna
untuk dapat memperkirakan secara sistematis atas dasar data yang relevan pada masa yang lalu, dengan demikian metode peramalan diharapkan dapat memberikan
objektivitas yang lebih besar.
2.2 Jenis-Jenis Metode Peramalan