Metode Box-Jenkins Tinjauan Pustaka

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

Dokumen yang terkait

Implementasi dan Penggunaan Metode Exponential Smoothing untuk Meramalkan Penjualan Pakaian (Studi Kasus: Toko Pakaian P. Tarigan)

3 119 200

Metode Pemulusan (Smoothing) Eksponensial Ganda (Linier Satu Parameter dari Brown) dan Metode Box-Jenkins dalam Meramalkan Curah Hujan di Kota Medan

6 78 78

Metode Pemulusan Eksponensial Ganda Satu Parameter Terhadap Peramalan Jumlah Guru & Jumlah Murid Sekolah Menengah Atas Tahun 2012-2015 Di Kecamatan Galang

2 29 71

Metode Eksponensial Smoothing Untuk Peramalan Jumlah Air Minum Yang Disalurkan PDAM Tirtanadi Medan Tahun 2014

0 45 75

Aplikasi Metode Pemulusan Eksponensial Ganda Dari Brown Untuk Peramalan Produksi Karet PT. Perkebunan Nusantara III Kebun Gunung Para Tahun 2010 - 2012.

12 69 83

Aplikasi Metode Pemulusan Eksponensial Ganda Dari Brown Untuk Kelapa Sawit Pada PT. Perkebunan Nusantara III Tahun 2010 Dan 2011

0 23 65

Perbandingan Metode Pemulusan (Smoothing) Eksponensial Ganda Dua Parameter Dari Holt Dan Metode Box-Jenkins Dalam Meramalkan Hasil Produksi Kernel Kelapa Sawit PT. Eka Dura Indonesia.

5 79 141

Analisis peramalan pendaftaran siswa baru menggunakan metode seasonal arima dan metode dekomposisi: studi kasus lembaga bimbingan belajar SSC Bintaro

9 57 94

PERAMALAN INDEKS HARGA SAHAM GABUNGAN (IHSG) DI BURSA EFEK JAKARTA (BEJ) DENGAN MENGGUNAKAN METODE PEMULUSAN (SMOOTHING).

0 0 6

PERBANDINGAN RAMALAN INDEKS HARGA SAHAM GABUNGAN (IHSG) BURSA EFEK JAKARTA (BEI) DENGAN MENGGUNAKAN METODA PEMULUSAN EKSPONENSIAL DAN METODE ARIMA.

0 0 7