Upload
others
View
10
Download
0
Embed Size (px)
Citation preview
PRAKIRAAN HARGA SAHAM PT. UNILEVER INDONESIA
(Tbk) MENGGUNAKAN HOLTS WEIGHTED EXPONENTIAL
MOVING AVERAGE
SKRIPSI
Eka Nur Hidayati
11150940000042
PROGRAM STUDI MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UIN SYARIF HIDAYATULLAH JAKARTA
2020 M / 1441 H
PRAKIRAAN SAHAM PT. UNILEVER INDONESIA (Tbk)
MENGGUNAKAN HOLT WEIGHTED EXPONENTIAL
MOVING AVERAGE
SKRIPSI
Diajukan kepada
Universitas Islam Negeri Syarif Hidayatullah Jakarta
Fakultas Sains dan Teknologi
Untuk Memenuhi Salah Satu Persyaratan dalam
Memperoleh Gelar Sarjana Matematika (S.Mat)
Oleh:
Eka Nur Hidayati
11150940000042
PROGRAM STUDI MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UIN SYARIF HIDAYATULLAH JAKARTA
2020 M / 1441 H
ii
PERNYATAAN
iii
LEMBAR PENGESAHAN
iv
PERSEMBAHAN DAN MOTTO
PERSEMBAHAN
Kepada Ibu dan Bapak Tercinta
Terima kasih ibu dan bapak untuk semua hal yang telah adinda
terima. Adinda paham bahwa kesuksesan adinda hingga detik
ini tidak terlepas dari segala usaha dan do’a ayah dan ibu.
Maafkan adinda kalau selama ini adinda belum dapat membuat
bangga ayah dan ibu dengan kehadiran adinda.
MOTTO
“Dan Kami akan Memudahkan Bagimu Kejalan
kemudahan(mencapai kebahagian dunia dan akhirat).”
(Q.S. Al-A’la[87] ayat 8)
v
KATA PENGANTAR
Puji beserta syukur penulis ucapkan kehadirat Allah Yang Maha Esa atas
segala rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan skripsi yang
berjudul “Prakiraan Harga Saham PT. Unilever Indonesia (Tbk)
Menggunakan Holts Weighted Exponential Moving Average”.
Skripsi ini merupakan persyaratan bagi penulis untuk bisa memperoleh gelar
sarjana. Dalam penulisan skripsi ini penulis memperoleh pembelajaran berharga
seperti kerja keras, pantang menyerah dalam mencapai tujuan, dan melatih
kesabaran.
Dalam penyusunan skripsi ini, penulis memperoleh banyak motivasi,
dukungan, inspirasi, bimbingan, do’a, serta saran dan kritikan dari berbagai pihak
sehingga skripsi ini dapat terselesaikan dengan baik. Oleh karena itu, penulis ingin
menyampaikan rasa terima kasih penulis kepada:
1. Ibu Prof. Dr. Lily Surayya Eka Putri, M.Env.Stud, selaku Dekan Fakultas
Sains dan Teknologi Universitas Islam Negeri Syarif Hidayatullah Jakarta.
2. Ibu Dr. Suma’inna, M.Si, selaku Ketua Program Studi Matematika Fakultas
Sains dan Teknologi UIN Jakarta.
3. Mahmudi, M.Si, sebagai pembimbing I yang telah memberikan banyak
sekali saran dan bantuan kepada penulis dalam menyelesaikan skripsi ini.
4. Yanne Irene, M.Si sebagai pembimbing II yang telah memberikan masukan
kepada penulis dalam menyeselasikan skripsi ini.
5. Dr. Nur Inayah,M.Si sebagai penguji I yang telah memberikan masukan
kepada penulis dalam menyelesaikan skripsi ini.
vi
6. Madona Yunita Wijaya,M.Sc sebagai penguji II yang telah memberikan
masukan kepada penulis dalam menyelesaikan skripsi ini.
7. Bapak dan Ibu yang tidak pernah berhenti berdo’a untuk kesuksesan
penulis, memberikan kasih sayang, semangat, serta dukungan sehingga
penulis dapat menyelesaikan skripsi ini dengan baik.
8. Andre Firmansyah yang selalu memberikan semangat kepada penulis.
9. Seluruh teman Matematika 2015, terutama Wina, Nadya, Afra, Vernia,
Rara, Indri, Early, Nengtya, Nurul, yang telah menemani penulis sejak
semester awal, Hamid yang telah membantu penulis dalam memahami
pemrograman.
10. Seluruh pihak yang telah membantu penulis dalam menyelesaikan skripsi
ini yang tidak bisa penulis sebutkan satu-persatu tanpa mengurangi rasa
hormat.
Penulis menyadari bahwa dalam penyusunan skripsi ini masih terdapat banyak
kekurangan. Penulis mengharapkan kritik dan saran yang membangun dari
pembaca untuk perbaikan di masa yang akan datang. Terakhir, semoga skripsi ini
bermanfaat bagi penulis dan pembaca sekalian.
Ciputat, 10 Mei 2020
Penulis
vii
LEMBAR PERNYATAAN PERSETUJUAN
PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS
viii
ABSTRAK
Eka Nur Hidayati, Prakiraan Harga Saham PT. Unilever Indonesia (Tbk)
Menggunakan Holt Weighted Exponential Moving Average. Dibawah bimbingan
Mahmudi,M.Si dan Yanne Irene,M.Si.
Salah satu ilmu yang yang biasa digunakan dalam dunia statistik dalam melakukan
prakiraan adalah Time Series atau runtun waktu. Analisis data runtun waktu
dilakukan dengan pemilihan model yang sesuai untuk data. Salah satu pola data
runtun waktu adalah trend. Dalam penelitian ini, penulis menggabungkan metode
Weighted Moving Average dan Holts Double Exponential Smoothing (H-WEMA)
untuk melakukan analisis pola data trend. Penulis menggunakan 180 data harga
penutupan saham PT Unilever Indonesia Tbk (UNVR), diambil dari 1 Januari 2005
hingga 1 Desember 2019. Metode H-WEMA akan dibandingkan dengan metode
Weighted Exponential Moving Average (WEMA) dan Holts Double Exponential
Smoothing (H-DES). Pemilihan parameter terbaik menggunakan optimasi
Generalized Reducted Gradient (GRG) pada tools Solver di Excel dengan melihat
nilai MSE terkecil menggunakan data train. Selanjutnya nilai MAPE dihitung untuk
mencari metode terbaik melakukan prakiraan menggunakan data test. Hasil
menunjukkan metode H-DES dan H-WEMA memiliki nilai MAPE terkecil, artinya
metode tersebut akan dipakai untuk melakukan prakiraan harga saham UNVR.
Kata kunci: Weighted Exponential Moving Average, Holts Double Exponential
Smoothing, Holts Weighted Exponential Moving Average, Optimasi Generalized
Reducted Gradient
ix
ABSTRACT
Eka Nur Hidayati, Go-Public Share Price Forecast Using Holt Weighted
Exponential Moving Average. Under the guidance of Mahmudi, M.Sc and Yanne
Irene, M.Sc.
One of the sciences commonly used in the world of statistics in making predictions
is the Time Series. Time series data analysis is performed by selecting a model that
is suitable for the data. One pattern of time series data is trend. In this study, the
authors combined the Weighted Moving Average and Holts Double Exponential
Smoothing (H-WEMA) methods to analyze trend data patterns. The author uses 180
data prices of the close shares of PT Unilever Indonesia Tbk (UNVR), taken from
January 1, 2005 to December 1, 2019. The H-WEMA method will be compared with
the Weighted Exponential Moving Average (WEMA) method and Holts Double
Exponential Smoothing (H-DES). The best parameter selection uses the
Generalized Reducted Gradient (GRG) optimization of the Solver tool in Excel by
looking at the smallest MSE value using the data train. Then the MAPE value is
calculated to find the best method for forecasting using test data. The results show
the H-DES and H-WEMA methods have the smallest MAPE value, meaning that the
method will be used to forecast UNVR stock prices.
Keywords: Weighted Exponential Moving Average, Holts Double Exponential
Smoothing, Holts Weighted Exponential Moving Average, Generalized Reducted
Gradient Optimization
x
DAFTAR ISI
PERNYATAAN ...................................................................................................... ii
LEMBAR PENGESAHAN ................................................................................... iii
PERSEMBAHAN DAN MOTTO ......................................................................... iv
KATA PENGANTAR ............................................................................................ v
LEMBAR PERNYATAAN PERSETUJUAN ..................................................... vii
ABSTRAK ........................................................................................................... viii
ABSTRACT ........................................................................................................... ix
DAFTAR ISI ........................................................................................................... x
DAFTAR TABEL ................................................................................................. xii
DAFTAR GAMBAR ........................................................................................... xiii
BAB 1 ..................................................................................................................... 1
PENDAHULUAN .................................................................................................. 1
1.1 Latar Belakang ......................................................................................... 1
1.2 Rumusan Masalah .................................................................................... 4
1.3 Batasan Masalah ....................................................................................... 5
1.4 Tujuan Penelitian ...................................................................................... 5
1.5 Manfaat Penelitian .................................................................................... 5
BAB II ..................................................................................................................... 6
LANDASAN TEORI .............................................................................................. 6
2.1 Saham ............................................................................................................ 6
2.2 Analisis Runtun Waktu ................................................................................. 8
2.4 Weighted Moving Average (WMA) .............................................................. 10
2.5 Exponential Moving Average (EMA) .......................................................... 10
2.6 Weighted Exponential Moving Average (WEMA) ....................................... 11
2.7 Single Exponential Smoothing (SES) .......................................................... 12
2.8 Holts Double Exponential Smoothing (H-DES) .......................................... 13
2.9 Holts Weighted Exponential Moving Average (H-WEMA) ......................... 14
2.10 Optimasi Parameter Generalized Reduced Gradient (GRG)..................... 15
2.11 Ukuran Kesalahan ..................................................................................... 16
BAB III ................................................................................................................. 18
xi
METODOLOGI PENELITIAN ............................................................................ 18
3.1 Metode Penelitian Data ............................................................................... 18
3.2 Metode Pengolahan Data ............................................................................. 18
3.3 Alur Penelitian ............................................................................................. 20
BAB IV HASIL DAN PEMBAHASAN .............................................................. 21
4.1 Uji Trend Data ............................................................................................. 21
4.3 Pemodelan Metode H-DES .................................................................... 24
4.4 Pemodelan Metode H-WEMA ................................................................ 27
4.5 Perbandingan Metode ............................................................................. 29
4.6 Prakiraan ................................................................................................. 30
BAB V PENUTUP ................................................................................................ 33
5.1 Kesimpulan .................................................................................................. 33
5.2 Saran ............................................................................................................ 34
REFERENSI ......................................................................................................... 35
LAMPIRAN .......................................................................................................... 37
xii
DAFTAR TABEL
Tabel 4. 1 Statistika Deskriptif Data Close saham UNVR ................................................ 21
Tabel 4. 2 Uji Augmented Dickey - Fuller ....................................................................... 22
Tabel 4. 3 Hasil Perhitungan WEMA pada Data Train ..................................................... 23
Tabel 4. 4 Hasil Uji Parameter H-DES ............................................................................. 25
Tabel 4. 5 Hasil Perhitungan H-DES pada Data Train ..................................................... 26
Tabel 4. 6 Hasil Uji Parameter H-WEMA ....................................................................... 27
Tabel 4. 7 Hasil Perhitungan H-WEMA Pada Data Train ................................................ 28
Tabel 4. 8 Hasil perhitungan MAPE Data Test ................................................................ 29
Tabel 4. 9 Hasil Prakiraan Saham UNVR Januari sampai Desember 2020 ...................... 32
xiii
DAFTAR GAMBAR
Gambar 2. 1 Plot Pola Horisontal .......................................................................... 8
Gambar 2. 2 Plot Pola Musiman ............................................................................ 9
Gambar 2. 3 Plot Pola Trend ................................................................................. 9
Gambar 2. 4 Plot Pola Siklis .................................................................................. 9
Gambar 3. 1 Alur Penelitian…………………………………………………….20
Gambar 4. 1 Plot Data Train Harga (Close) saham PT Unilever Indonesia Tbk.
(UNVR)…………………………………………………………………………...22
Gambar 4. 2 Plot Data Aktual dan Prakiraan WEMA pada Data Train ............... 24
Gambar 4. 3 Plot Data Aktual dan Prakiraan H-DES pada Data Train ............... 26
Gambar 4. 4 Plot Data Aktual dan Prakiraan H-WEMA pada Data Train........... 29
Gambar 4. 5 Grafik Prakiraan Saham UNVR Periode Januari 2020 sampai
Desember 2020…………………………………………………………………...31
1
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Allah Subhanahu wa Ta’ala telah menurunkan Al-Qur’an hanya kepada
manusia sebgai pedoman hidup yang berisi kabar gembira dan peringatan-
peringatan. Hal tersebut agar manusia dapat memanfaatkan akal pikirannya dengan
baik. Allah memberikan perumpamaan sebagaimana dalam Qur’an Surat (Q.S) Al
Mujadilah ayat 11:
يل ا ق ذ إ و م ك لل ل ح ا س ف حوا ي س ف ا س ف ال ج م ل حوا ف ا س ف م ت ك يل ل ا ق ذ وا إ ن ين آم ذ ل ا ا ه ي ي أ
ير ب لون خ م ع لل ب ا ت ا و ات ر ج م د ل ع ل وا ا وت ين أ ذ ل ا م و ك ن وا م ن ين آم ذ ل لل ا ع ا ف شزوا ي ر ن ا شزوا ف ن ا
Artinya: “Hai orang-orang beriman apabila dikatakan kepadamu: "Berlapang-
lapanglah dalam majlis", maka lapangkanlah niscaya Allah akan memberi
kelapangan untukmu. Dan apabila dikatakan: "Berdirilah kamu", maka berdirilah,
niscaya Allah akan meninggikan orang-orang yang beriman di antaramu dan orang-
orang yang diberi ilmu pengetahuan beberapa derajat. Dan Allah Maha Mengetahui
apa yang kamu kerjakan”.
Ayat tersebut telah menjelaskan bahwa Allah akan meninggikan derajat bagi
orang yang memiliki ilmu pengetahuan. Ilmu pengetahuan mempunyai peran
penting dalam kehidupan manusia. Perkembangan ilmu pengetahuan yang sangat
cepat dan berlangsung terus menerus membawa perubahan dalam pola kehidupan
manusia salah satunya adalah ilmu matematika. Saat ini, ilmu matematika sangatlah
berkembang dalam berbagai bidang, salah satunya dalam statistika. Penerapan ilmu
statistika sendiri banyak disajikan dalam kasus keseharian, seperti memprakirakan
suatu kejadian.
Prakiraan merupakan kegiatan yang dilakukan untuk mengetahui kejadian di
masa yang akan datang dengan menggunakan pendekatan metode tertentu. Saat ini,
2
berbagai penelitian mengenai prakiraan sangatlah berkembang. Ada beberapa
metode yang dapat digunakan untuk melakukan prakiraan dalam menentukan hasil
yang tepat. Salah satu ilmu yang yang biasa digunakan dalam dunia statistik dalam
melakukan prakiraan adalah Time Series atau runtun waktu. Analisis runtun waktu
sendiri merupakan salah satu cabang ilmu statistik yang membahas teknik yang
dikembangkan untuk menarik kesimpulan dari rangkaian waktu. Data runtun waktu
merupakan data yang bisa kita amati berdasarkan waktu tertentu. Dalam dunia
statistik, data runtun waktu yang dikumpulkan harus secara periodik berdasarkan
urutan waktu jam, hari, minggu, bulan, dan tahun.
Analisis data runtun waktu dilakukan dengan pemilihan model yang sesuai
untuk data. Salah satu pola data runtun waktu adalah trend. Pola data ini
menunjukan adanya kenaikan atau penurunan yang bisa kita lihat melalui grafik
atau dapat di identifikasi dengan cara yang lain. Salah satu metode yang dapat
digunakan dalam analisis pola trend adalah metode rata-rata bergerak (moving
average).
Metode rata-rata bergerak (moving average) merupakan suatu metode
sederhana namun sangat penting dalam suatu analisis. Metode rata-rata bergerak
tunggal atau dikenal sebagai Single Moving Average (SMA) merupakan contoh
metode rata-rata bergerak paling sederhana yang sering digunakan dalam analisis
saham. Metode ini dikatakan rata-rata bergerak karena nilai yang diperoleh dari
data baru akan berubah-ubah. Meskipun metode ini cukup baik untuk menentukan
trend harga saham di masa mendatang, namun metode ini masih menyimpan
kelemahan, yaitu seringkali menghasilkan signal yang terlambat karena semua data
diberikan bobot yang sama [1]. Kelemahan tersebut menjadi dasar dari pembobotan
dalam metode rata-rata tertimbang atau Weighted Moving Average (WMA).
Penetapan bobot bersifat subjektif, tergantung pada pengalaman dan opini analis
data, misalnya apakah observasi yang terakhir lebih besar peluang pembobotannya
atau sebaliknya. Apabila peluang pembobotannya lebih besar pada observasi yang
terakhir, maka weighted factor akan lebih besar pada periode akhir dibandingkan
periode awal. Semakin panjang periode yang ditetapkan, maka semakin besar pula
3
pembobotan yang diberikan kepada data yang terbaru. Jumlah peluang
pembobotannya adalah sama dengan satu [2]. Metode lain dalam penyempurnaan
dari kelemahan keterlembatan metode SMA adalah Exponential Moving Average
(EMA). Pada EMA, pemberian bobot pada data terbaru bergantung pada panjang
periode yang ditetapkan. Pemberian bobot pada EMA merupakan kebalikan dari
pemberian bobot pada WMA. Dimana dalam WMA, semakin panjang periode yang
ditetapkan akan semakin besar bobot yang diberikan kepada data terbaru, maka
pada EMA, semakin panjang periode yang ditetapkan, akan semakin kecil pula
bobot yang diberikan pada data terbaru. Demikian sebaliknya, semakin pendek
periode yang dipilih, maka semakin besar pula bobobt yang diberikan kepada data
baru.
Pada penelitian (Hansun, 2013), menggabungkan metode Single Moving
Average (SMA), Weighted Moving Average (WMA) dan Exponential Moving
Average (EMA) yang disebut sebagai Weighted Exponential Moving Average
(WEMA) untuk memprediksi harga saham JKSE composite index. Dalam penelitian
tersebut diketahui bahwa metode WEMA menghasilkan nilai error paling kecil atau
dapat dikatakan metode terbaik dibandingkan dengan metode moving average lain
yang digunakan. Pada penelitian selanjutnya (Hansun, 2016), dilakukan kembali
pengembangan metode moving average dengan menggabungkan metode WEMA
dengan Holt’s Double Exponential Smoothing (H-DES) dimana dikenal sebagai
Holt’s Weighted Exponential Moving Average (H-WEMA), kemudian nilai error
pada H-WEMA dibandingkan dengan metode WEMA dan H-DES. Kesimpulan yang
didapat, H-WEMA memberikan nilai error lebih kecil yang artinya metode H-
WEMA lebih baik dibandingkan dengan metode lain yang digunakan dalam
memprediksi Jakarta Stock Exchange (JKSE) pada bulan April 2007 hingga Juli
2015. Pada penelitian lain (Hansun, 2016), kembali pengembangan metode moving
average dengan menggabungkan metode WEMA dengan Brown’s Double
Exponential Smoothing (B-DES) dimana dikenal sebagai Brown’s Weighted
Exponential Moving Average (B-WEMA), kemudian nilai error pada B-WEMA
dibandingkan dengan metode WEMA dan B-DES. Kesimpulan yang didapat, B-
4
WEMA memberikan nilai error lebih kecil yang artinya metode B-WEMA lebih baik
dibandingkan dengan metode lain yang digunakan dalam memprediksi harga
saham. Penelitian selanjutnya oleh (Putri Auliana Rifqi, 2018) dilakukan
pengembangkan metode B-WEMA dengan tambahan optimasi Levenberg
Marquartd (LM) diaplikasikan pada data saham PT Adhi Karya (Persero) Tbk
(ADHI.JK) yang terdiri dari data harian selama satu tahun perdagangan (256 hari
bisnis) terhitung mulai 1 Maret 2017 sampai dengan 1 Maret 2018. Kesimpulan
didapat bahwa B-WEMA dengan optimasi LM menghasilkan nilai error lebih kecil
yang artinya metode B-WEMA dengan optimasi LM lebih baik untuk memprediksi
data trend.
Pada Tugas Akhir ini, digunakan data saham PT Unilever Indonesia (UNVR)
yang terdiri dari data bulanan mulai dari Januari 2005 hingga Desember 2019 harga
yang digunakan adalah harga saat bursa ditutup. Harga penutupan saham sangat
penting karena menjadi acuan untuk harga pembukaan pada keesokan harinya.
Harga penutupan ini akan digunakan untuk memprediksi harga saham pada hari
berikutnya. Prakiraan ini akan dilakukan dengan metode Holt’s Weighted
Exponential Moving Average yang selanjutnya disebut H-WEMA. Kemudian
dibandingkan dengan Weighted Exponential Moving Average yang selanjutnya
disebut WEMA dan Holt’s Double Exponential Smoothing yang selanjutnya disebut
H-DES, dimana metode terbaik dilihat dari metode yang memiliki nilai Mean
Average Percentage Error (MAPE) terkecil yang selanjutnya digunakan untuk
memprediksi saham.
1.2 Perumusan Masalah
Perumusan masalah yang akan dibahas dalam penelitian ini adalah:
1. Bagaimana perbandingan hasil akurasi prakiraan harga saham UNVR
berdasarkan data aktual dengan metode H-WEMA, WEMA dan H-DES?
2. Bagaimana hasil prakiraan harga saham UNVR berdasarkan model terbaik
yang diperoleh?
5
1.3 Batasan Masalah
Batasan masalah dalam penelitian ini adalah:
1. Data yang digunakan dalam penelitian ini yaitu berupa data sekunder yang
didapatkan dari Yahoo Finance.
2. Data yang diolah yaitu data harga penutupan saham dari PT Unilever
Indonesia Tbk. (UNVR) yang terdiri dari data Bulanan mulai dari Januari
2005 sampai dengan Desember 2019.
3. Metode yang digunakan dalam penelitian ini adalah H-WEMA, WEMA dan
H-DES.
1.4 Tujuan Penelitian
Tujuan penelitian ini adalah:
1. Mengetahui perbandingan hasil akurasi prakiraan harga saham UNVR
berdasarkan data harga penutupan saham dengan metode H-WEMA,
WEMA, dan H-DES.
2. Memperoleh hasil prakiraan harga saham UNVR berdasarkan data harga
penutupan saham menggunakan model terbaik.
1.5 Manfaat Penelitian
Manfaat yang diharapkan dari penelitian ini adalah:
1. Memberikan metode alternatif bagi perusahaan atau investor sebagai
rujukan dalam estimasi perhitungan harga saham.
2. Perusahaan atau investor dapat mengambil kebijakan-kebijakan dengan
lebih tepat dan akurat terkait dengan investasi saham berdasarkan hasil
prediksi yang diperoleh menggunakan metode terbaik dengan parameter
yang optimum.
6
BAB II
LANDASAN TEORI
2.1 Saham
Saham merupakan surat berharga sebagai tanda pemilikan atas perusahaan
penerbitnya. Saham juga berarti sebagai tanda penyertaan atau pemilikan seorang
atau badan dalam suatu perusahaan terbuka [3].
Saham menarik bagi investor karena berbagai alasan. Pada umumnya
fluktusi harga saham dipengaruhi oleh penawaran dan permintaan di pasar. Harga
saham akan cenderung mengalami penurunan jika terjadi penawaran yang
berlebihan dan harga saham akan cenderung mengalami kenaikan jika permintaan
terhadap saham itu meningkat. Keuntungan hasil penjualan akibat adanya fluktuasi
harga saham ini dapat berupa Capital gain atau capital loss.
Capital gain adalah keuntungan dari hasil jual beli harga saham, yang
diperoleh pada saat nilai jual lebih tinggi daripada nilai beli. Dan capital loss adalah
kerugian dari hasil jual beli saham dimana nilai jual saham lebih kecil daripada nilai
beli saham. Biasanya pemegang saham akan tetap mempertahankan saham dengan
tidak diniagakan untuk menghindari capital loss dan berharap harga saham akan
meningkat kembali. Bagi beberapa investor, membeli saham merupakan cara untuk
mendapatkan kekayaan besar (capital gain) yang relatif cepat. Sementara bagi
investor yang lain, saham memberikan penghasilan yang berupa deviden. Dividen
merupakan bagian laba usaha yang diperoleh perusahaan dan diberikan oleh
perusahaan kepada pemegang sahamnya sebagai imbalan atas kesediaan mereka
menanamkan hartanya dalam perusahaan [4].
Adapun jenis-jenis saham antara lain saham biasa (common stock) saham
preferen (preferren stock) dan saham komulatif preferen (commulative preferren
stock) [5].
Penentuan harga saham dapat dilakukan melalui analisis teknikal dan
analisis fundamental. Pada analisis teknikal harga saham ditentukan berdasarkan
7
catatan harga saham di waktu yang lalu, sedangkan dalam analisis fundamental
harga saham ditentukan atas dasar faktor-faktor fundamental yang
mempengaruhinya, seperti laba dan dividen.
Suatu informasi saham dikatakan relevan bagi investor jika informasi
tersebut mampu mempengaruhi keputusan investor untuk melakukan transaksi di
pasar modal yang tercermin pada perubahan harga. Harga saham adalah harga pasar
yang tercatat setiap hari pada waktu penutupan (closing price) dari suatu saham.
Dalam penelitian ini, harga saham yang dimaksud adalah rata-rata harga saham per
tahun selama periode analisis. Laporan keuangan dapat menyajikan informasi yang
relevan dengan model keputusan yang digunakan oleh investor dalam membuat
keputusan buy, hold, atau sell saham. Harga saham yang terjadi di pasar modal
selalu berfluktuasi dari waktu ke waktu. Fluktuasi harga dari suatu saham tersebut
akan ditentukan antara kekuatan penawaran dan permintaan. Jika jumlah
penawaran lebih besar dari jumlah permintaan, pada umumnya kurs harga saham
akan turun. Sebaliknya jika jumlah permintaan lebih besar dari jumlah penawaran
terhadap suatu efek, maka harga saham cenderung akan naik.
Suatu perusahaan telah dikatakan go-public atau terbuka (Tbk), jika
perusahaan tersebut telah memaksimalisasi nilai perusahaannya yang dapat dicapai
dengan cara memaksimalisasi nilai pasar harga saham yang bersangkutan. Dalam
jangka panjang, kinerja perusahaan emiten dan pergerakan harga saham umumnya
bergerak searah. Meskipun demikian tidak ada saham yang terus menerus naik
sebagaimana juga tidak ada saham yang terus menerus turun. Pergerakan harga
saham selama jangka waktu tertentu umumnya membentuk suatu pola tertentu [6].
Dengan demikian pengambilan keputusan selalu didasarkan pada pertimbangan
terhadap maksimalisasi kekayaan para pemegang saham. Maksimalisasi kekayaan
pemegang saham diterjemahkan menjadi maksimalkan harga saham perusahaan.
Harga saham pada satu waktu tertentu akan bergantung pada arus kas yang
diharapkan diterima di masa depan oleh investor rata-rata jika investor membeli
saham [7].
8
2.2 Analisis Runtun Waktu
Runtun waktu adalah sekumpulan data pada satu periode tertentu. Data
runtun waktu merupakan suatu representasi dari realisasi data masa lampau yang
digunakan untuk meramalkan masa depan, yang artinya diharapkan data runtun
waktu dapat memberikan penjelasan kejadian di masa mendatang berdasarkan
informasi yang ada pada masa lampau.
Dalam mewujudkan gambaran penjelasan dibutuhkan suatu model
matematik yang merepresentasikan proses terjadinya data runtun waktu tersebut
yang kemudian model tersebut digunakan untuk membuat suatu ramalan tentang
masa depan. Pada kehidupan sehari-hari, sering ditemukan keterbatasan informasi
masa lampau sehingga menjadi salah satu penghalang dalam membuat model yang
dapat memberikan pernyataan masa lalu secara tepat.
Oleh karena itu, biasanya yang dilakukan hanyalah membuat model yang
dekat dengan model sebenarnya. Sering kali pendekatan ini berdasarkan pada
pengamatan terhadap data time series. Terdapat empat macam tipe pola data runtun
waktu menurut Hanke & Wichern [8] yaitu sebagai berikut.
1) Pola Horisontal, pola horisontal terjadi apabila nilai data berfluktiasi
disekitar nilai rata-rata yang konstan.
Gambar 2. 1 Plot Pola Horisontal
2) Pola Musiman, pola Musiman merupakan pola yang terjadi apabila nilai
data dipengaruhi oleh faktor musiman (misalnya bulanan, mingguan)
dimana puncak dan lembah berulang dalam interval yang konsisten.
9
Gambar 2. 2 Plot Pola Musiman
3) Pola Trend, pola trend terjadi apabila terdapat kecenderungan data naik atau
turun. Pola tersebut juga dapat dilihat dari grafik data atau dengan
melakukan uji. Salah satu uji yang dilakukan untuk menandakan bahwa
terdapat indikasi trend pada sebuah data yaitu melakukan uji Augmented
Dickey Fuller (ADF). Pengujian dilakukan dengan hipotesis 𝐻0: 𝜏 = 0
(terdapat akar unit) dan 𝐻1: 𝜏 < 0 (tidak terdapat akar unit).
Gambar 2. 3 Plot Pola Trend
4) Pola siklis terjadi apabila data dipengaruhi fluktiasi ekonomi jangka
panjang, berulang dalam interval yang tidak sama.
Gambar 2. 4 Plot Pola Siklis
10
2.4 Weighted Moving Average (WMA)
Metode Weighted Moving Average (WMA) merupakan pengembangan dari
metode moving average dengan tambahan bobot-bobot dalam perhitungan. WMA
atau rata-rata tertimbang adalah rata-rata yang dihitung dengan memberikan nilai-
nilai dalam kumpulan data yang lebih dipengaruhi menurut atribut data dimana
perhitungan rata-rata dilakukan dengan pemberian bobot. Secara sederhana, WMA
merupakan rata-rata bergerak yang diberikan bobot pada masing-masing data [9].
Penetapan bobot bersifat subjektif, tergantung pada pengalaman dan opini analis
data, misalnya apakah observasi yang terakhir lebih besar peluang pembobotannya
atau sebaliknya. Apabila peluang pembobotannya lebih besar pada observasi yang
terakhir, maka weighted factor akan lebih besar pada periode akhir dibandingkan
periode awal. Semakin panjang periode yang ditetapkan, maka semakin besar pula
pembobotan yang diberikan kepada data yang terbaru. Jumlah peluang
pembobotannya adalah sama dengan satu [2]. Adapun rumus yang digunakan
adalah sebagai berikut
𝑊𝑀𝐴𝑡+1 =𝑘𝑋𝑡+(𝑘−1)𝑋𝑡−1+⋯+𝑋𝑡−(𝑛−1)
𝑘+(𝑘−1)+⋯+1 (2.3)
dengan 𝑘 banyaknya periode atau rentang bilangan peramalan, 𝑋𝑡 nilai data deret
waktu pada titik t.
2.5 Exponential Moving Average (EMA)
Pemberian bobot pada Exponential Moving Average (EMA) sama halnya
seperti pada metode WMA yaitu dengan melibatkan periode atau faktor pembobotan
untuk setiap nilai dalam seri data berdasarkan urutan waktunya. Seperti halnya
WMA, pada EMA, pembobotan untuk setiap titik data yang lebih lama menurun
secara eksponensial, jadi tidak pernah mencapai nol. Persamaan EMA adalah
sebagai berikut [10].
11
𝐹𝑡 = 𝛼𝑋𝑡 + (1 − 𝛼)𝐹𝑡−1
= 𝛼𝑋𝑡 + (1 − 𝛼)[𝛼𝑋𝑡−1 + (1 − 𝛼)𝐹𝑡−2]
= 𝛼𝑋𝑡 + 𝛼(1 − 𝛼)𝑋𝑡−1 + (1 − 𝛼)2𝐹𝑡−2 (2.4)
Maka untuk 𝐹𝑡+1,
𝐹𝑡+1 =2
(𝑘+1)𝑋𝑡−1 + (1 − (
2
𝑘+1)) 𝐹𝑡 (2.5)
dengan 𝑘 merupakan panjang periode peramalan pada EMA, dimana nilai awal
EMA diambil dari nilai MA sederhana. Dengan kata lain, nilai peramalan satu
periode ke depan, sama dengan nilai peramalan periode sebelumnya.
2.6 Weighted Exponential Moving Average (WEMA)
Dalam penelitian oleh [11], dikenalkan pendekatan baru dari moving
average dalam analisis runtun waktu dengan menggabungkan faktor pembobotan
untuk WMA dan EMA. Pendekatan metode baru ini dikenal sebagai Weighted
Exponential Moving Average (WEMA). Dalam melakukan perhitungan metode
WEMA diawali dengan menggunakan rumus WMA untuk mendapatkan nilai
prediksi baru untuk data titik waktu tertentu dengan melakukan inisialisasi sebagai
nilai dasar yang dapat disimbolkan dengan ( 𝐻𝑡). Kemudian, nilai baru akan
digunakan sebagai nilai dasar untuk menghitung dengan faktor pembobotan EMA.
Berikut ini adalah proses atau prosedur dalam perhitungan WEMA [11].
1. Menghitung nilai dasar ( 𝐻𝑡 ) dengan menggunakan persamaan WMA pada
(2.3) untuk data dan periode waktu tertentu.
2. Dengan menggunakan nilai dasar yang diperoleh, selanjutkan menghitung
nilai peramalan dengan mengadopsi persamaan dari metode EMA seperti
berikut.
𝑊𝐸𝑀𝐴𝑡+1 = 𝛼𝑋𝑡 + (1 − 𝛼)𝐻𝑡 (2.6)
12
dimana 𝑋𝑡 adalah nilai pada periode waktu, 𝐻𝑡 adalah nilai dasar untuk jangka
waktu t, dan 𝛼 adalah nilai parameter dimana dalam persamaan (2.5).
2.7 Single Exponential Smoothing (SES)
Metode pemulusan yang paling sederhana adalah Single Exponential
Smoothing (SES), dimana hanya terdapat satu parameter yang perlu dietimasi.
Metode ini memberikan bobot Exponential Moving Average (EMA) untuk semua
data historis. Metode ini tepat digunakan untuk data yang tidak mengandung tren
ekstrim dan biasanya untuk peramalan satu periode kedepan. Tujuannya adalah
untuk mengestimasi level terkini dan menggunakannya untuk peramalan nilai ke
depan. Persamaan SES dapat dituliskan sebagai berikut [10].
𝐹𝑡+1 = 𝛼𝑋𝑡 + (1 − 𝛼)𝐹𝑡 (2.7)
dimana 𝐹𝑡+1 merupakan peramalan pada satu periode berikutnya, 𝛼 adalah
konstanta pemulusan, 𝑋𝑡 merupakan data atau observasi ke- 𝑡 dan 𝐹𝑡 adalah data
pada periode ke-t. Peramalan 𝐹𝑡+1 berdasarkan pada pembobotan pada data terbaru
𝑋𝑡 dengan bobot sebesar 𝛼 , dan pembobotan peramalan terkini 𝐹𝑡 dengan bobot
sebesar 1 − 𝛼.
Jika proses subtitusi ini berulang dengan mengganti 𝐹𝑡−1 oleh
komponennya, 𝐹𝑡−2 oleh komponennya, dan seterusnya, maka hasilnya adalah
sebagai berikut.
𝐹𝑡+1 = 𝛼𝑋𝑡 + (1 − 𝛼)𝐹𝑡
= 𝛼𝑋𝑡 + (1 − 𝛼)[𝛼𝑋𝑡−1 + (1 − 𝛼)𝐹𝑡−1]
= 𝛼𝑋𝑡 + 𝛼(1 − 𝛼)𝑋𝑡−1 + (1 − 𝛼)2𝐹(𝑡−1)
= 𝛼𝑋𝑡 + 𝛼(1 − 𝛼)𝑋𝑡−1 + 𝛼(1 − 𝛼)2𝐹𝑡−2 (2.8)
Oleh karena itu, 𝐹𝑡+1 adalah pembobotan moving average dari semua data
historis. Ketika t semakin besar, nilai (1 − 𝛼)2 akan semakin kecil. Dengan
demikian 𝐹1 akan memberikan kontribusi yang semakin kecil. Dikarenakan 𝐹1
belum diketahui, maka dapat dilakukan initial value, untuk data awal yang cukup
13
fluktuatif dapat dilakukan dengan menetapkan peramalan pertama sama dengan
data/observasi pertama, 𝐹1 = 𝑦1 . Kemudian untuk data awal yang cukup konstan
atau dalam artian tidak terlalu banyak pergerakan, dapat menggunakan rata-rata dari
lima atau enam data pertama sebagai peramalan pertama 𝐹1 = 𝑀𝐴(5) atau 𝐹1 =
𝑀𝐴(6).
Persamaan exponential smoothing dapat ditulis ulang dalam bentuk yang
menguraikan peran faktor pembobot 𝛼 sebagai berikut
𝐹𝑡+1 = 𝐹𝑡 + 𝛼(𝑋𝑡 − 𝐹𝑡) (2.9)
Peramalan exponential smoothing adalah peramalan sebelumnya (𝐹𝑡)
dengan penambahan adjustment untuk galat yang terjadi di peramalan sebelumnya.
Besaran nilai 𝛼 berada diantara 0 dan 1, dalam arti 𝛼 tidak boleh sama
dengan 0 atau 1. Dalam memilih besaran 𝛼, jika menginginkan peramalan yang
stabil dengan pemulusan random, maka menggunakan nilai 𝛼 yang kecil untuk data
tidak terlalu berfluktuatif, sedangkan jika diinginkan respon yang cepat terhadap
perubahan data, maka menggunakan nilai 𝛼 yang besar untuk data cukup
berfluktuatif.
2.8 Holts Double Exponential Smoothing (H-DES)
Holts Double Exponential Smoothing (H-DES) sama dengan Holt’s Linear
Exponential Smoothing yang merupakan jenis double exponential smoothing yang
dapat digunakan ketika data menunjukan adanya trend. H-DES tidak menggunakan
rumus pemulusan berganda secara langsung. Sebagai gantinya, H-DES
memutuskan nilai trend dengan parameter yang berbeda dari dua parameter yang
digunakan pada deret yang asli [12]. Ramalan dari pemulusan H-DES didapat
dengan menggunakan tiga persamaan, yaitu [12]:
𝐿𝑡 = 𝛼𝑋𝑡 + (1 − 𝛼)(𝐿𝑡−1 + 𝑇𝑡−1) (2.10)
𝑇𝑡 = 𝛽(𝐿𝑡 − 𝐿𝑡−1) + (1 − 𝛽)𝑇𝑡−1 (2.11)
𝐹𝑡 = 𝐿𝑡 + 𝑘𝑇𝑡 (2.12)
14
Dimana,
𝑋𝑡 = Nilai aktual pada waktu ke t
𝛼 = Parameter pertama untuk proses pemulusan 0 ≤ 𝛼 ≤ 1
𝛽 = Parameter kedua untuk proses pemulusan trend 0 ≤ 𝛽 ≤ 1
𝐿𝑡 = nilai peramalan pada periode t
𝑇𝑡 = nilai trend pada periode t
𝐹𝑡 = hasil nilai peramalan pada periode t, dimana k > 0, dengan t adalah periode
yang akan diramalkan
Nilai 𝛼 dan 𝛽 merupakan nilai yang mempengaruhi hasil peramalan dan nilai
error yang dihasilkan. Semakin dekat nilai 𝛼 dengan nol maka semakin besar nilai
error yang dihasilkan, sebaliknya semakin dekat nilai 𝛼 dengan 1, maka semakin
kecil nilai error yang dihasilkan. Sebaliknya dengan nilai 𝛽 semakin dekat dengan
nol maka nilai error yang dihasilkan akan semakin kecil [13].
Dengan initial value untuk 𝐿𝑡 dan 𝑇𝑡 yang digunakan adalah [12]
𝐿1 = 𝑋1 (2.13)
𝑇1 = 𝑋2 − 𝑋1 (2.14)
2.9 Holts Weighted Exponential Moving Average (H-WEMA)
Holts Weighted Exponential Smoothing (H-WEMA) sangat mirip dengan
metode Weighted Exponential Moving Average (WEMA). Dimana perbedaan utama
adalah pada metode yang digunakan. WEMA menggabungkan metode Weighted
Moving Average (WMA) dan Exponential Moving Average (EMA), sementara
dalam H-WEMA menggabungkan WMA dengan Holts Double Exponential
Smoothing (H-DES) yang merupakan pengembangan dari EMA [12]. Berikut ini
adalah prosedur perhitungan H-WEMA [12]:
1. Menghitung nilai 𝐵𝑡 dengan persamaan WMA pada (2.3) untuk data dan
periode waktu tertentu.
15
2. Dengan nilai dasar yang dieroleh, selanjutnya menghitung nilai peramalan
dengan persamaan (2.10) sampai dengan persamaan (2.14). Dimana
Lt−1 = Bt−1 (2.15)
Tt−1 = Bt − Bt−1 (2.16)
2.10 Optimasi Parameter Generalized Reduced Gradient (GRG)
Generalized Reduced Gradient (GRG) merupakan salah satu algoritma
optimasi untuk persamaan non-linier [14]. GRG dapat digunakan untuk
mengoptimalkan suatu persamaan non-linier yang berkelanjutan (continuous).
GRG memiliki satu fungsi tujuan dan beberapa fungsi batasan (constrain). Fungsi
tujuan yang digunakan dapat berupa meminimalkan, memaksimalkan, ataupun
mencapai suatu nilai tertentu. Fungsi batasan bertujuan untuk menentukan daerah
dimana nilai tujuan dapat dicapai. GRG telah berkembang dan dapat ditemukan
pada solver Microsoft Excel [15]. Persamaan yang diperoleh dari regresi mula-mula
dimasukan pada Microsoft Excel. Batasan-batasan yang digunakan, seperti nilai
maksimum ataupun nilai minimum dari suatu variabel, dapat dimasukan pula pada
Microsoft Excel. Setelah semua data telah diberikan, dapat ditentukan fungsi tujuan
dan batasan pada solver. Selain itu, perlu juga ditentukan tujuan dari optimasi yang
dilakukan, seperti meminimalkan atau memaksimalkan suatu nilai. Metode GRG
kemudian dipilih. Solver Microsoft Excel akan memberitahu apabila ditemukan
suatu nilai yang optimal. Nilai tersebut optimal hanya untuk range yang telah
ditentukan. Algoritma GRG memiliki bentuk umum 𝑚𝑒𝑚𝑖𝑛𝑖𝑚𝑎𝑙𝑘𝑎𝑛 𝑓(𝑥) dengan
batasan ℎ𝑘 = 0 ; 𝑘 = 1,2, … , 𝐾 dengan prosedur sebagai berikut [16].
1. Menghitung ∇𝑓(𝑥(𝑟)) = ∇𝑓(𝑥(𝑟)) − ∇𝑓(𝑥(𝑟)). 𝐽−1𝐶.
2. Jika ‖∇𝑓(𝑥(𝑟))‖ ≤ 𝜀1, maka proses iterasi berhenti, namun jika tidak
terpenuhi, maka menghitung �� = (−∇𝑓)𝑇
, �� = −𝐽−1𝐶��, dan 𝑑 = (��, ��)𝑇.
3. Meminimalkan 𝑓(𝑥(𝑟) + 𝛼𝑑) dengan mempertimbangkan parameter scalar
𝛼. Misalkan 𝛼(𝑟) menjadi 𝛼 optimisasi, maka di lakukan penentuan
persamaan 𝑥(𝑟+1) = 𝑥(𝑟) + 𝛼(𝑟)𝑑. Selanjutnya proses kembali ke tahap 1.
16
Pada tahap 3 dari prosedur algoritma GRG, dilakukan perhitungan secara
iteratif dari persamaan 𝑣(𝑖) = ��(𝑟) + 𝛼��, 𝑖 = 1,2, …. Dan behenti untuk
|ℎ𝑘(𝑣(𝑖))| ≤ 𝜀2 dengan 𝜀1, 𝜀2 adalah nilai yang sangat kecil.
Jika 𝑓(𝑥 (𝑟) ) ≤ 𝑓(𝑣 (𝑖)), maka 𝛼 = 𝛾𝛼 , 0 < 𝛾 < 1dan iterasi diulang; sedangkan
jika syarat ini tidak terpenuhi, maka 𝑥 (𝑟+1) = 𝑣 (𝑖).
2.11 Ukuran Kesalahan
Ukuran kesalahan suatu peramalan merupakan perhitungan yang dapat
dipergunakan untuk membandingkan model peramalan yang berbeda. Selain itu,
juga dapat digunakan untuk mengawasi peramalan, untuk memastikan peramalan
berjalan dengan baik. Model-model atau metode peramalan yang dilakukan
kemudian divalidasi menggunakan sejumlah ukuran standar. Salah satu ukuran
standar yang digunakan dalam menentukan akurasi peramalan adalah Mean
Squared Error (MSE), yang dirumuskan sebagai berikut [10]:
𝑀𝑆𝐸 =1
𝑛∑ (𝑥𝑖 − ��𝑖)
2𝑛𝑖=1 (2.20)
dengan n adalah banyaknya data nilai kesalahan, 𝑥𝑖 adalah nilai data aktual dan ��𝑖
adalah nilai peramalan/prediksi.
Dengan meminimalkan nilai MSE, berarti meminimalkan varian model.
Model yang memiliki varian kecil mampu memberikan hasil yang relatif lebih
konsisten untuk seluruh data input dibandingkan dengan model dengan varian besar
(MSE besar). Penggunaan Mean Squaed Error (MSE) tidak memperdulikan
prosedur pada metode peramalan. Dalam artian, setiap peramalan memiliki
prosedur yang berbeda, maka menggunakan MSE saja akan mengabaikan
perbedaan antar metode tersebut [10].
Oleh karena kelemahan yang ada pada MSE tersebut, terdapat ukuran
alternatif lainnya yaitu salah satunya adalah Mean Absolute Percentage Error
(MAPE) yang merupakan ukuran galat realtif terhadap data aktualnya. MAPE
menyatakan persentase kesalahan hasil peramalan terhadap permintaan aktual
17
selama periode tertentu yang akan memberikan informasi persentase kesalahan
terlalu tinggi atau terlalu rendah. Secara matematis, MAPE dinyatakan sebagai
berikut:
𝑀𝐴𝑃𝐸 =1
𝑛∑
|𝑥𝑖−��𝑖|
𝑥𝑖× 100%𝑛
𝑖=1 (2.21)
MAPE merupakan ukuran kesalahan yang membandingkan simpangan
peramalan dengan data aktualnya. Akurasi peramalan akan semakin tinggi jika
nilai-nilai MSE dan MAPE semakin kecil [17]. Maka hasil peramalan yang
mendekati kenyataan dapat dilihat berdasarkan kesalahan (error) minimal dari
metode tersebut. Hasil ramalan yang memiliki nilai MSE dan MAPE terkecil dapat
dikatakan merupakan ramalan yang akurat.
18
BAB III
METODOLOGI PENELITIAN
3.1 Metode Penelitian Data
Data yang digunakan pada penelitian ini adalah data sekunder yang
diperoleh dari https://finance.yahoo.com/quote/unvr.jk/ pada tanggal 5 Desember
2019 pukul 12.38 WIB , yaitu data harga penutupan saham PT Unilever Indonesia
Tbk. (UNVR) setiap bulannya mulai dari Januari 2005 sampai dengan Desember
2019. Data tersebut terdapat pada lampiran 1.
3.2 Metode Pengolahan Data
Langkah -langkah analisis yang digunakan sebagai berikut:
1. Menguji asumsi trend data dengan grafik dan uji Augmented Dickey Fuller.
2. Pemodelan metode WEMA
a. Membuat fungsi WEMA menggunakan persamaan (2.6) dengan
menentukan nilai k dan menentukan parameter 𝛼 data train dengan
rumus 2
𝑘+1.
b. Menghitung nilai MSE metode WEMA berdasarkan persamaan (2.20).
3. Pemodelan metode H-DES
a. Menentukan parameter 𝛼 dan 𝛽 metode H-DES dari data train
berdasarkan persamaan (2.10) sampai (2.12).
b. Menghitung nilai MSE metode H-DES berdasarkan persamaan (2.20).
4. Pemodelan metode H-WEMA
a. Menentukan parameter 𝛼 dan 𝛽 metode H-WEMA dari data train
berdasarkan persamaan (2.15) dan (2.16).
19
b. Menghitung nilai MSE metode H-WEMA berdasarkan persamaan
(2.20).
5. Menghitung MAPE menggunakan data test dan memilih metode terbaik
berdasarkan MAPE terkecil.
6. Prakiraan harga saham UNVR untuk bulan Januari 2020 sampai Desember
2020.
20
3.3 Alur Penelitian
Prosedur yang dilakukan untuk penelitian ini dapat dilihat pada gambar
3.1
Gambar 3. 1 Alur Penelitian
Tidak
Ya
Input Data saham UNVR
Pemodelan Prakiraan
Pemodelan WEMA
dari data train
Menenetukan parameter
WEMA dari data train
Menghitung nilai MSE
WEMA dari data train
Memilih metode terbaik berdasarkan MAPE terkecil
Melakukan prakiraan harga saham UNVR dengan metode terbaik dan
menarik kesimpulan
Selesai
Mulai
Apakah data mengikuti
pola trend?
Pemodelan H-DES
dari data train Pemodelan H-WEMA
dari data train
Menenetukan parameter
H-WEMA dari data train
Menenetukan parameter
H-DES dari data train
Menghitung nilai MSE H-
WEMA dari data train
Menghitung nilai MSE
H-DES dari data train
Menghitung nilai MAPE
WEMA dari data test
Menghitung nilai MAPE
H-DES dari data test
Menghitung nilai MAPE
WEMA dari data test
21
BAB IV
HASIL DAN PEMBAHASAN
4.1 Uji Trend Data
Sebelum data digunakan, terlebih dahulu dilakukan uji trend data. Data
yang digunakan adalah data bulanan harga saham PT Unilever Indonesia Tbk.
(UNVR) periode Januari 2005 sampai Desember 2019 sebanyak 180 data.
Kemudian, data dibagi menjadi dua bagian, bagian pertama periode Januari 2005
sampai Desember 2016 sebanyak 144 data sebagai data train dan bagian
selanjutnya periode Januari 2017 sampai Desember 2019 sebanyak 36 data sebagai
data test. Data train digunakan untuk menentukan parameter optimum berdasarkan
MSE terkecil sedangkan data test digunakan untuk menghitung nilai MAPE.
Berdasarkan data train dan data test dapat disajikan statistika deskriptif keseluruhan
data pada Tabel 4.1 dan plot data train pada Gambar 4.1 berikut.
Tabel 4. 1 Statistika Deskriptif Data Close saham UNVR
Rata-rata Minimum Maksimum Standar Deviasi
Data Close
saham UNVR 3291.86 88.42 9756.50 56.26
22
Gambar 4. 1 Plot Data Train Harga (Close) saham PT Unilever Indonesia Tbk.
(UNVR)
Berdasarkan Gambar 4.1 terlihat bahwa data train harga close saham UNVR
mengikuti pola trend naik, selanjutnya untuk mengetahui secara kuantitatif data
mengikuti pola trend, dapat diuji dengan uji ADF pada Tabel 4.1 berikut
Tabel 4. 2 Uji Augmented Dickey - Fuller
Uji P-value
Uji ADF 0.8751
Berdasarkan Tabel 4.2 didapat nilai p-value sebesar 0.8751, dengan taraf
signifikansi sebesar 5%, maka nilai p-value > 𝛼, sehingga terima Ho. Artinya data
harga saham UNVR tidak stasioner dan terdapat pola trend.
23
4.2 Pemodelan Metode WEMA
Model prakiraan WEMA dapat dibuat dengan menentukan nilai k. pada
penelitian ini, digunakan nilai k=5 yang disebut dengan MA(5) yang nantinya dapat
disebut dengan WEMA(5), dengan memasukkan nilai 𝛼 = 0.3333 yang didapat
melalui rumus (2
𝑘+1) dan melakukan perhitungan menggunakan persamaan (2.6).
Maka akan didapat perhitungan sebagai berikut.
𝑊𝐸𝑀𝐴5+1 =𝑋5∗5+𝑋4∗4+𝑋3∗3+𝑋2∗2+𝑋1∗1
15
𝑊𝐸𝑀𝐴6+1 = (0.3333 ∗ 𝑋6 − 1) + (1 − 0.3333) ∗ 𝑊𝐸𝑀𝐴6
Dan seterusnya hingga 𝑊𝐸𝑀𝐴144
Selanjutnya hitung nilai MSE menggunakan persamaan (2.20). Hasil
perhitungan dan plot metode WEMA terdapat pada Tabel 4.3 dan Gambar 4.2
berikut.
Tabel 4. 3 Hasil Perhitungan WEMA pada Data Train
Date Aktual Prakiraan
1/1/2005 88.42426 -
2/1/2005 89.68748 -
3/1/2005 96.63507 -
4/1/2005 103.2245 -
5/1/2005 125.9339 -
6/1/2005 112.1706 106.6848
7/1/2005 119.7404 108.5132
8/1/2005 128.5416 112.2552
… … …
… … …
12/1/2016 5912.755 6175.63
MSE 80441.92
24
Gambar 4. 2 Plot Data Aktual dan Prakiraan WEMA pada Data Train
Berdasarkan Gambar 4.2 terlihat bahwa hasil prakiraan metode WEMA
sedikit jauh berbeda dengan data aktual dan memiliki MSE sebesar 80441.92.
4.3 Pemodelan Metode H-DES
Melakukan prakiraan kedua menggunakan metode H-DES yang terlebih
dahulu membuat fungsi prakiraan H-DES berdasarkan persamaan (2.10) sampai
(2.12) dengan nilai k = 5 yang selanjutnya disebut dengan H-DES (5) dan dilakukan
perhitungan secara perulangan dengan memasukan parameter 𝛼 dan 𝛽 secara acak,
maka perhitungannya adalah
𝐿6 = 𝛼 ∗ 𝑋6 + (1 − 𝛼)(𝐿5 + 𝑇5)
𝑇6 = 𝛽(𝐿6 − 𝐿5) + (1 − 𝛽)𝑇5
𝐹6 = 𝐿6 + 𝑘𝑇6
Dan seterusnya hingga data ke 144
25
Dengan
𝑙1 = 𝑋1 dan 𝑇1 = 𝑋2 − 𝑋1
𝑘 = 𝑟𝑎𝑚𝑎𝑙𝑎𝑛 𝑘 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑠𝑒𝑙𝑎𝑛𝑗𝑢𝑡𝑛𝑦𝑎
Selanjutnya dipilih beberapa nilai parameter 𝛼 dan 𝛽, lalu mencari nilai
MSE terkecil. Hasil uji coba beberapa parameter terdapat pada Tabel 4.4.
Tabel 4. 4 Hasil Uji Parameter H-DES
NO Parameter MSE
1 𝛼 = 0.6
𝛽 = 0.5 13575.47
2 𝛼 = 0.5
𝛽 = 0.6
19180.29
3 𝛼 = 0.9
𝛽 = 0.1
3591.843
4 𝛼 = 0.995467
𝛽 = 0.014387
1047.598
Selanjutnya dipilih nilai parameter 𝛼 dan 𝛽 dengan optimasi GRG di Solver
Excel sehingga mendapatkan nilai 𝛼= 0.995467 dan 𝛽 = 0.014387, lalu dapat
dihitung nilai MSE dari parameter optimum tersebut. Hasil perhitungan H-DES dan
nilai MSE H-DES terdapat pada Tabel 4.5 berikut.
26
Berdasarkan Tabel 4.5 terlihat bahwa hasil prakiraan H-DES dengan data
train cukup mendekati data aktual dengan nilai MSE sebesar 1047.598.
Gambar 4. 3 Plot Data Aktual dan Prakiraan H-DES pada Data Train
Tabel 4. 5 Hasil Perhitungan H-DES pada Data Train
NO Date Aktual Lt HDES Tt HDES Prakiraan
1 1/1/2005 88.42426 - - -
2 2/1/2005 89.68748 - - -
3 3/1/2005 96.63507 - - -
4 4/1/2005 103.2245 - - -
5 5/1/2005 125.9339 125.9339 22.70939 -
6 6/1/2005 112.1706 112.1706 22.18466 134.3553
7 7/1/2005 119.7404 119.7404 21.9744 141.7148
... … … ... … …
144 12/1/2016 5912.755 5914.201 48.42511 5962.626
MSE 1047.598
27
Berdasarkan gambar 4.3, terlihat bahwa data prakiraan H-DES pada data
train hampir mendekati data aktual yang ditunjukan pada garis berwarna merah.
4.4 Pemodelan Metode H-WEMA
Melakukan peramalan dengan metode ketiga yaitu H-WEMA yang terlebih
dahulu membuat fungsi H-WEMA berdasarkan persamaan (2.15) dan (2.16) dengan
nilai k = 5 yang selanjutnya disebut dengan H-WEMA(5) dan dilakukan
perhitungan secara perulangan dengan parameter 𝛼 dan 𝛽 yang dipilih secara acak.
Perhitungan metode H-WEMA hampir sama dengan H-DES hanya inisial value saja
yang berbeda yaitu
𝑙𝑡−1 = 𝐵𝑡−1
𝑇𝑡−1 = 𝐵𝑡 − 𝐵𝑡−1
Dengan 𝛼 dan 𝛽 yang dimasukkan boleh sama dengan H-DES atau boleh
berbeda, namun disini 𝛼 dan 𝛽 akan dimasukkan nilai yang sama. Hasil uji coba
beberapa parameter terdapat pada Tabel 4.6.
Tabel 4. 6 Hasil Uji Parameter H-WEMA
NO Parameter MSE
1 𝛼 = 0.6
𝛽 = 0.5
13569.71
2 𝛼 = 0.5
𝛽 = 0.6 19172.72
3 𝛼 = 0.9
𝛽 = 0.1
3568.815
4 𝛼 =0.997634
𝛽 =0.009989
483.955
28
Berdasarkan Tabel 4.6, terlihat bahwa nilai MSE terkecil terdapat pada
nomor 4 yaitu 483.955 dengan nilai parameter 𝛼 =0.997634 dan 𝛽 =0.009989
hasil tersebut didapat menggunakan optimasi parameter GRG di tools solver
Excel. Hasil perhitungan dan plot metode H-WEMA dengan MSE terkecil terdapat
pada Tabel 4.7 dan Gambar 4.4
Tabel 4. 7 Hasil Perhitungan H-WEMA Pada Data Train
NO Date Aktual Bt
Hwema
Lt
Hwema
Tt
Hwema
Prakiraan
1 1/1/2005 88.42426 - - - -
2 2/1/2005 89.68748 - - - -
3 3/1/2005 96.63507 - - - -
4 4/1/2005 103.2245 - - - -
5 5/1/2005 125.9339 106.6848 106.6848 3.796522 -
6 6/1/2005 112.1706 110.4813 112.1666 3.813357 115.98
7 7/1/2005 119.7404 115.218 119.7315 3.850832 123.5823
8 8/1/2005 128.5416 120.8849 128.5299 3.900254 132.4302
… … … … … … …
144 12/1/2016 5912.755 6342.243 5913.479 38.52807 5952.007
MSE 483.955
Berdasarkan Tabel 4.7 menghasilkan nilai prakiraan lebih mendekati data
aktual dibandingkan metode H-DES dengan nilai MSE sebesar 483.955. Namun
metode yang akan digunakan untuk melakukan prakiraan periode selanjutnya
ditentukan berdasarkan nilai MAPE terkecil.
29
Gambar 4. 4 Plot Data Aktual dan Prakiraan H-WEMA pada Data Train
Berdasarkan Gambar 4.4 terlihat bahwa data prakiraan H-WEMA sangat
mirip dan hampir mendekati data aktual. Sehingga menghasilkan nilai prakiraan
yang bagus dibandingkan H-DES dan WEMA.
4.5 Perbandingan Metode
Perbandingan metode ditentukan berdasarkan nilai MAPE terkecil
perhitungan data test dari masing-masing metode. Hasil perhitungan MAPE pada
masing-masing metode terdapat pada Tabel 4.8 berikut.
Tabel 4. 8 Hasil perhitungan MAPE Data Test
No Metode MAPE
1 WEMA 6.3566%
2 H-DES 2.67514%
3 H-WEMA 2.985048%
30
Berdasarkan Tabel 4.8, terlihat bahwa metode WEMA memiliki nilai MAPE
paling besar yaitu 6.3566%, sedangkan metode H-DES dan H-WEMA memiliki
nilai MAPE yang tidak jauh berbeda yaitu sebesar 2.67514% dan 2.9850558%.
Sehingga, metode H-DES dan H-WEMA akan dipakai untuk melakukan prakiraan
harga saham UNVR.
4.6 Prakiraan
Hasil Prakiraan diperoleh menggunakan rumus berdasarkan persamaan (2.12)
berdasarkan prakiraan terakhir yang didapat dari perhitungan data test pada
lampiran 2 yaitu
𝐹180 = 8316.352 + 𝑘 ∗ 177.5394 (untuk metode H-DES)
𝐹180 =8316.13+ 𝑘 ∗ 215.725 (untuk metode H-WEMA)
Dengan k adalah periode peramalan selanjutnya yaitu 2,3,...,N jumlah
prakiraan yang diinginkan. Untuk mendapatkan peramalan pada periode Januari
2020 maka dapat dilakukan dengan memasukkan nilai k=2, maka
𝐹181 = 8316.352 + 2 ∗ 177.5394
= 8671.431 (untuk metode 𝐻 − 𝐷𝐸𝑆)
𝐹180 =8316.13+ 𝑘 ∗ 215.725
= 8747.58 (untuk metode H-WEMA)
Dan seterusnya hingga k=13 untuk periode Desember 2020 yang hasil
prakiraannya terdapat pada Gambar 4.5.
31
Gambar 4. 5 Grafik Prakiraan Saham UNVR Periode Januari 2020 sampai
Desember 2020
Berdasarkan Gambar 4.5, terlihat bahwa hasil prakiraan saham UNVR
dengan metode H-DES dan H-WEMA sangat mirip dengan data aktual. Sedangkan
prakiraan pada periode selanjutnya ditunjukkan oleh warna merah untuk H-DES
dan warna hijau untuk H-WEMA menghasilkan prakiraan yang tidak jauh berbeda.
Data hasil prakiraan saham UNVR terdapat pada Tabel 4.9 berikut.
6500
7500
8500
9500
10500
11500
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
Grafik Prakiraan Harga Saham UNVR
Aktual Prakiraan H-DES Prakiran H-WEMA
32
Tabel 4. 9 Hasil Prakiraan Saham UNVR Januari sampai Desember 2020
No Date Prakiraan
H-DES
Prakiraan
H-WEMA
1 1/1/2020 8671.431 8747.58
2 2/1/2020 8848.971 8963.305
3 3/1/2020 9026.51 9179.03
4 4/1/2020 9204.049 9394.755
5 5/1/2020 9381.589 9610.48
6 6/1/2020 9559.128 9826.205
7 7/1/2020 9736.668 10041.93
8 8/1/2020 9914.207 10257.66
9 9/1/2020 10091.75 10473.38
10 10/1/2020 10269.29 10689.1
11 11/1/2020 10446.83 10904.83
12 12/1/2020 10624.36 11120.55
Berdasarkan Tabel 4.9 hasil prakiraan metode H-DES dan H-WEMA tidak
jauh berbeda dan sama-sama menunjukan peningkatan di setiap bulannya.
33
BAB V
PENUTUP
5.1 Kesimpulan
Hasil akurasi prakiraan harga saham UNVR berdasarkan data aktual dengan
metode H-WEMA, WEMA dan H-DES dilihat dari nilai MSE data train
menunjukkan bahwa metode H-WEMA dengan parameter 𝛼 =0.997634 dan
𝛽 =0.009989 memiliki nilai MSE terkecil yaitu 483.955, parameter 𝛼 dan 𝛽
merupakan nilai yang mempengaruhi prakiraan dan nilai error . Sedangkan, dilihat
dari nilai MAPE pada Tabel 4.6 metode H-DES memiliki MAPE terkecil yaitu
2.67514% dan metode H-WEMA memiliki nilai MAPE yang tidak jauh berbeda
dengan H-DES yaitu 2.985048%. kemungkinan terjadi overfitting pada perhitungan
data train. Sehingga, metode H-DES dan H-WEMA dipilih penulis untuk
melakukan prakiraan harga saham UNVR.
Hasil prakiraan harga saham UNVR berdasarkan metode terbaik terdapat
pada Tabel 4.10 dengan hasil prakiraan pada bulan Januari 2020 sampai Desember
2020 menunjukan adanya kenaikan harga saham UNVR di setiap bulannya. Pada
bulan Januari 2020 harga penutupan saham UNVR diperkirakan mencapai 8671.389
dan terus naik hingga Desember 2020 mencapai 10624.36 untuk metode H-DES.
Sedangkan, untuk metode H-WEMA menghasilkan prakiraan harga saham UNVR
pada Januari 2020 mencapai 8747.58 dan periode Desember 2020 mencapai
11120.55.
34
5.2 Saran
Saran yang dapat penulis berikan untuk mengembangkan penelitian
berikutnya adalah:
1. Dalam penelitian ini penulis menggunakan optimasi solver yang ada di
Excel, diharapkan penelitian selanjutnya menggunakan optimasi lain untuk
menentukan parameter yang optimal.
2. Pada penelitian ini digunakan MA(5) sebagai pemilihan k pada metode
moving average. Diharapkan penelitian selanjutnya digunakan MA(6)
dalam pemilihan k.
35
REFERENSI
[1] Suarsa A, Perbandingan Analisa Teknikal Metode Simple Moving Average,
Weigted Moving Average, dan Exponential Moving Average Dalam
Memprediksi Harga Saham LQ-45 Sub Sektor Telekomunikasi di Bursa Efek
Jakarta, Bandung: Sekolah Tinggi Ilmu Eknonomi Muhammadiyah
Bandung., 2006.
[2] A. Darnah, I. Wahyuningsih dan N. N. Eris, "Peramalan Dengan Metode
Smothing dan Verifikasi Metode Peramalan Dengan Grafik Pengendali
Moving Average," Jurnal Exponensial ISSN 2085-7829, 2014.
[3] Sunariyah, Pengantar Pengetahuan Pasar Modal, Bandung: CV. Alfabeta,
2004.
[4] Rudianto, Pengantar Akuntansi Konsep & Teknik Penyusunan Laporan
Keuangan, Jakarta: Erlangga, 2012.
[5] Riyanto, Dasar-Dasar Pembelanjaan Perusahaan Edisi Keempat, Yogyakarta:
BPFE, 2005.
[6] Sawidji W, Cara Sehat Investasi di Pasar Modal Edisi Revisi, Jakarta: PT Elex
Media Komputindo, 2008.
[7] Brigham dan Houston, Dasar-dasar Manajemen Keuangan Buku 1 (Edisi 11),
Jakarta: Salemba Empat, 2010.
[8] Hanke J.E dan Wichers D.W, Business Forecasting Eight Edition, New
Jersey: Pearson Prentice Hall, 2005.
[9] Aritonang R.L, Peramalan Bisnis, Jakarta: Ghalia Indonesia, 2002.
[10] S. Makridakis, S. Wheelwright dan V. McGee, Metode dan Aplikasi
Peramalan, Jakarta: Binarupa Aksara, 2003.
[11] Hansun, " A New Approach of Moving Average Method in Time Series
Analysis. International Conference on New Media (CoNMedia)," Proc. of the
2013 IEEE International Conference on New Media, pp. hal 1-4, 2013.
[12] S. Hansun dan Subanar, "H-WEMA: A New Approach of Double Exponential
Smoothing Method," TELKOMNIKA, vol. 14, pp. 772-777, 2013.
36
[13] A. Yulitasari, "Perbandingan Metode Pemulusan Eksponensial Ganda Holt
dengan Metode Pemulusan Eksponensial Ganda Brown," journal of
statistical, 2011.
[14] L. Lasdon, A. Waren dan M. Ratner, "Design and Testing of a Generalized
Reduced Gradient Code for Nonlinear Programming," ACM Transactions on
Mathematical Software, 1978, pp. Vol 4. NO 1. pages 34-50.
[15] Harmon M, Advanced Regression in Excel., The complete guide. Excel
Master Series., 2011.
[16] Ravindran, Ragsdell dan Reklaitis, Engineering Optimization Methods and
Applications 2nd edition, New Jersey: John Wiley & Sons (, 2006.
[17] Vincent Gasperz, Production Planning dan Inventory Control, Jakarta: PT
Geamedia Pustaka Umum, 2005.
37
LAMPIRAN
38
Lampiran 1. Data Penelitian
No Date Harga Close Saham
UNVR (IDR)
1 1/1/2005 88.42426
2 2/1/2005 89.68748
3 3/1/2005 96.63507
4 4/1/2005 103.2245
5 5/1/2005 125.9339
6 6/1/2005 112.1706
7 7/1/2005 119.7404
8 8/1/2005 128.5416
9 9/1/2005 123.978
10 10/1/2005 133.1053
11 11/1/2005 131.5841
12 12/1/2005 130.0629
13 1/1/2006 140.4546
14 2/1/2006 139.638
15 3/1/2006 138.8214
16 4/1/2006 149.4372
17 5/1/2006 131.4721
18 6/1/2006 134.7384
19 7/1/2006 161.495
20 8/1/2006 171.0509
21 9/1/2006 175.8289
22 10/1/2006 183.4736
23 11/1/2006 229.342
24 12/1/2006 270.7919
25 1/1/2007 240.0201
26 2/1/2007 229.7628
27 3/1/2007 233.8658
28 4/1/2007 231.8143
29 5/1/2007 258.4832
30 6/1/2007 274.8948
31 7/1/2007 339.2153
32 8/1/2007 305.5184
33 9/1/2007 305.5184
34 10/1/2007 298.7791
35 11/1/2007 298.7791
36 12/1/2007 326.4029
37 1/1/2008 333.6563
39
38 2/1/2008 328.8207
39 3/1/2008 333.6563
40 4/1/2008 328.8207
41 5/1/2008 326.4029
42 6/1/2008 326.4029
43 7/1/2008 380.7574
44 8/1/2008 400.0712
45 9/1/2008 413.8668
46 10/1/2008 411.1076
47 11/1/2008 424.9032
48 12/1/2008 459.319
49 1/1/2009 465.2076
50 2/1/2009 474.0408
51 3/1/2009 468.1521
52 4/1/2009 456.3745
53 5/1/2009 462.2633
54 6/1/2009 544.7053
55 7/1/2009 776.4312
56 8/1/2009 676.0307
57 9/1/2009 716.191
58 10/1/2009 676.0307
59 11/1/2009 739.6175
60 12/1/2009 739.6175
61 1/1/2010 756.3511
62 2/1/2010 769.7379
63 3/1/2010 813.2448
64 4/1/2010 927.032
65 5/1/2010 1044.166
66 6/1/2010 1137.873
67 7/1/2010 1236.98
68 8/1/2010 1174.949
69 9/1/2010 1229.682
70 10/1/2010 1273.469
71 11/1/2010 1094.673
72 12/1/2010 1241.652
73 1/1/2011 1132.537
74 2/1/2011 1219.076
75 3/1/2011 1151.35
76 4/1/2011 1151.35
77 5/1/2011 1106.199
40
78 6/1/2011 1121.25
79 7/1/2011 1324.272
80 8/1/2011 1434.628
81 9/1/2011 1400.672
82 10/1/2011 1328.516
83 11/1/2011 1544.984
84 12/1/2011 1595.918
85 1/1/2012 1787.995
86 2/1/2012 1756.067
87 3/1/2012 1824.485
88 4/1/2012 1810.802
89 5/1/2012 1874.658
90 6/1/2012 2089.035
91 7/1/2012 2362.927
92 8/1/2012 2640.631
93 9/1/2012 2538.319
94 10/1/2012 2538.319
95 11/1/2012 2567.551
96 12/1/2012 2065.734
97 1/1/2013 2280.371
98 2/1/2013 2363.105
99 3/1/2013 2357.935
100 4/1/2013 2714.728
101 5/1/2013 3154.255
102 6/1/2013 3180.109
103 7/1/2013 3288.699
104 8/1/2013 3411.947
105 9/1/2013 3297.122
106 10/1/2013 3280.719
107 11/1/2013 2908.904
108 12/1/2013 2843.289
109 1/1/2014 3324.967
110 2/1/2014 3327.878
111 3/1/2014 3406.49
112 4/1/2014 3406.49
113 5/1/2014 3391.932
114 6/1/2014 3409.401
115 7/1/2014 3818.902
116 8/1/2014 3853.055
117 9/1/2014 3949.303
41
118 10/1/2014 3775.435
119 11/1/2014 3949.303
120 12/1/2014 4011.399
121 1/1/2015 4701.739
122 2/1/2015 4724.707
123 3/1/2015 5203.74
124 4/1/2015 5590.903
125 5/1/2015 5682.772
126 6/1/2015 5184.054
127 7/1/2015 5535.37
128 8/1/2015 5497.316
129 9/1/2015 5258.603
130 10/1/2015 5120.218
131 11/1/2015 5085.622
132 12/1/2015 5120.218
133 1/1/2016 5322.037
134 2/1/2016 6456.777
135 3/1/2016 6224.752
136 4/1/2016 6173.997
137 5/1/2016 6250.13
138 6/1/2016 6536.533
139 7/1/2016 6865.197
140 8/1/2016 6956.632
141 9/1/2016 6789.002
142 10/1/2016 6777.573
143 11/1/2016 6175.63
144 12/1/2016 5912.755
145 1/1/2017 6570.245
146 2/1/2017 6725.729
147 3/1/2017 6909.122
148 4/1/2017 7096.502
149 5/1/2017 7363.617
150 6/1/2017 7782.232
151 7/1/2017 7806.153
152 8/1/2017 8462.629
153 9/1/2017 8198.955
154 10/1/2017 8303.587
155 11/1/2017 8253.364
156 12/1/2017 9756.501
157 1/1/2018 9494.699
42
158 2/1/2018 9407.432
159 3/1/2018 8643.842
160 4/1/2018 8089.693
161 5/1/2018 7958.792
162 6/1/2018 8046.061
163 7/1/2018 7991.126
164 8/1/2018 8101.986
165 9/1/2018 8688.617
166 10/1/2018 7986.507
167 11/1/2018 7806.36
168 12/1/2018 8828.736
169 1/1/2019 9723.277
170 2/1/2019 9465.61
171 3/1/2019 9567.704
172 4/1/2019 8848.183
173 5/1/2019 8653.717
174 6/1/2019 8909.686
175 7/1/2019 8632.495
176 8/1/2019 9671.958
177 9/1/2019 9206.675
178 10/1/2019 8657.244
179 11/1/2019 8276.107
180 12/1/2019 8315.706
43
Lampiran 2. Perhitungan data test
No Date Aktual WEMA Lt HDES Tt HDES fore
HDES
Bt
Hwema
Lt Hwema Tt
Hwema
Fore Hwema
1 1/1/2017 6570.245
2 2/1/2017 6725.729
3 3/1/2017 6909.122
4 4/1/2017 7096.502
5 5/1/2017 7363.617
7363.617 267.11524
7063.5443 7063.544271 283.0629
6 6/1/2017 7782.232 7063.544 7781.545 269.28498 8050.83 7346.6072 7781.201246 287.4041 8068.605329
7 7/1/2017 7806.153 7303.083 7807.262 265.78076 8073.043 7556.8446 7806.773795 284.7886 8091.562443
8 8/1/2017 8462.629 7470.756 8460.863 271.36033 8732.223 7913.8792 8461.750963 288.4865 8750.237424
9 9/1/2017 8198.955 7801.347 8201.372 263.72298 8465.095 8079.4554 8200.259412 282.9927 8483.252143
10 10/1/2017 8303.587 7933.87 8304.319 261.40989 8565.729 8206.4119 8304.012002 281.2023 8585.214303
11 11/1/2017 8253.364 8057.097 8254.78 256.93627 8511.716 8253.963 8254.149415 277.8953 8532.044709
12 12/1/2017 9756.501 8122.513 9750.858 274.76381 10025.62 8771.1508 9753.603913 290.0974 10043.70136
13 1/1/2018 9494.699 8667.121 9497.106 267.16004 9764.266 9071.0481 9495.998158 284.6264 9780.6246
14 2/1/2018 9407.432 8942.953 9409.049 262.04954 9671.099 9273.0516 9408.314616 280.9074 9689.222053
15 3/1/2018 8643.842 9097.764 8648.498 247.33739 8895.836 9139.96 8646.315167 270.4898 8916.805007
16 4/1/2018 8089.693 8946.471 8093.347 235.79198 8329.139 8799.4684 8091.649818 262.2474 8353.897183
17 5/1/2018 7958.792 8660.907 7960.471 230.48796 8190.959 8426.2548 7959.727298 258.31 8218.0373
18 6/1/2018 8046.061 8426.892 8046.717 228.41275 8275.13 8201.9778 8046.467444 256.5962 8303.063635
19 7/1/2018 7991.126 8299.961 7992.413 224.34531 8216.759 8055.9651 7991.864021 253.4876 8245.351639
20 8/1/2018 8101.986 8197.026 8102.506 222.70155 8325.208 8041.3262 8102.325043 252.0589 8354.383969
21 9/1/2018 8688.617 8165.349 8686.97 227.90623 8914.876 8258.3547 8687.826392 255.3897 8943.216074
22 10/1/2018 7986.507 8339.755 7990.716 214.61033 8205.326 8201.4184 7988.770897 245.8557 8234.626626
44
23 11/1/2018 7806.36 8222.017 7808.168 208.89642 8017.065 8082.5852 7807.373142 241.5879 8048.961036
24 12/1/2018 8828.736 8083.479 8825.057 220.52101 9045.578 8320.5242 8826.89138 249.3586 9076.250019
25 1/1/2019 9723.277 8331.873 9720.205 230.22687 9950.432 8800.8029 9721.746477 255.8065 9977.552981
26 2/1/2019 9465.61 8795.628 9467.808 223.28336 9691.091 9087.1065 9466.821608 250.7048 9717.526417
27 3/1/2019 9567.704 9018.933 9568.263 221.51623 9789.78 9355.6418 9568.058582 249.2118 9817.270356
28 4/1/2019 8848.183 9201.839 8852.451 208.03088 9060.482 9278.9234 8850.475479 239.5545 9090.029939
29 5/1/2019 8653.717 9083.965 8655.561 202.20528 8857.766 9067.9283 8654.749114 235.2064 8889.955554
30 6/1/2019 8909.686 8940.563 8909.45 202.94886 9112.399 8953.9241 8909.638866 235.4031 9145.041922
31 7/1/2019 8632.495 8930.272 8634.671 196.07578 8830.746 8801.7625 8633.707803 230.2953 8864.003143
32 8/1/2019 9671.958 8831.023 9668.145 208.12344 9876.268 9051.6296 9670.046387 238.3469 9908.393293
33 9/1/2019 9206.675 9111.306 9209.71 198.53366 9408.244 9139.452 9208.335071 231.354 9439.689095
34 10/1/2019 8657.244 9143.093 8660.648 187.77801 8848.426 9020.2313 8659.095406 223.5567 8882.65208
35 11/1/2019 8276.107 8981.159 8278.702 179.58138 8458.283 8773.7299 8277.542507 217.5122 8495.054741
36 12/1/2019 8315.706 8746.166 8316.352 177.53942 8493.892 8582.6667 8316.130394 215.725 8531.855353