BAB II LANDASAN TEORI DAN PENGEMBANGAN HIPOTESIS
|
|
- Liani Siska Oesman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB II LANDASAN TEORI DAN PENGEMBANGAN HIPOTESIS II.1 Landasan Teori II.1.1 Indeks Harga Saham Gabungan (IHSG) IHSG di BEI meliputi pergerakan-pergerakan harga untuk saham biasa dan saham preferen. IHSG mulai diperkenalkan pertama kali pada tanggal 1 April 1883 dengan menggunakan landasan dasar (baseline) tanggal 10 Agusutus Jumlah saham yang tercatat pada waktu itu yaitu 13 saham perusahaan. Rumus yang digunakan untuk menghitung IHSG adalah (Jogiyanto, 2010:102): Notasi: IHSG t Nilai Pasar = indeks Harga Saham Gabungan hari ke-t. = rata-rata tertimbang nilai pasar (jumlah lebar tercatat di bursa Dikalikan dengan harga pasar perlembarnya) Nilai Dasar = sama dengan nilai pasar tetapi dimulai dari tanggal 10 Agustus 1982 Nilai dasar dari IHSG selalu disesuaikan atas kejadian seperti Initial Public Offering (IPO), right issues, partial/company listing, konversi dari warrant dan convertible bond dan delisting (mengundurkan diri dari pencatatan bursa misalnya karena kebangkrutan). Nilai dasar IHSG tidak berubah pada kejadian-kejadian seperti pemecahan lembar saham (stock splits), dividen berupa
2 saham (stock dividens), bonus issue karena peristiwa-peristiwa tersebut tidak mengubah nilai pasar total. Rumus untuk menyesuaikan nilai dasar adalah (Jogiyanto, 2010:104): Notasi: NDB NPL = nilai dasar baru yang disesuaikan = nilai pasar lama NPTS = nilai pasar tambahan saham NDL = nilai dasar lama II.1.2 Analisis Saham Dalam melakukan investasi pada saham, seorang investor atau trader harus mememiliki kemampuan dan pengetahuan dalam menganalisis suatu saham. Dengan kemampuan dan pengetahuan menganalisis saham yang dimiliki investor atau trader dapat meminimalkan resiko dari investasi tersebut. Analisis saham dibutuhkan untuk menentukan resiko dan imbal hasil dari saham tersebut sebagai dasar keputusan investasi. Analisis tersebut dilakukan dengan dasar sejumlah informasi yang diterima investor dari saham tersebut. Secara garis besar analisis dalam memprediksi pergerakan harga saham dibagi menjadi dua, yaitu analisis fundamental (fundamental analysis) dan analisis teknikal (technical analysis). II.1.3 Analisis Fundamental Darmaji (2011:189) mendefiniskan analisis fundamental adalah sebagai berikut :
3 Analisis fundamental merupakan salah satu cara melakukan penilaian saham dengan mempelajari atau mengamati berbagai indikator yang terkait dengan kondisi makro ekonomi dan kondisi industri suatu perusahaan Dengan demikian, analisis fundamental dapat dikatakan analisis yang berbasis berbagai data rill untuk mengevaluasi nilai suatu saham. Beberapa data atau indikator yang umum digunakan, seperti pendapatan, laba, pertumbuhan penjualan, imbal hasil atau pengembalian atas ekuitas (return on equity), margin laba (profit margin), dan data-data keuangan lainnya sebagai sarana untuk menilai kinerja perusahaan dan pontensi pertumbuhan perusahaan di masa yang akan mendatang. Husnan (2009:307), para analis fundamental mencoba memperkirakan harga saham di masa yang akan datan dengan cara: i. Mengestimasi nilai faktor-faktor fundamental yang mempengaruhi harga saham di masa yang akan datang ii. Menerapkan hubungan variabel-variabel tersebut sehingga diperoleh taksiran harga saham. II.1.4 Analisis Teknikal berikut : Husnan (2009:341) mendefiniskan analisis teknikal adalah sebagai Analisis Teknikal merupakan upaya untuk memperkirakan harga saham (kondisi pasar) dengan mengamati perubahan harga saham tersebut (kondisi pasar) diwaktu lalu. Berlainan dengan pendekatan fundamental, analisis teknikal tidak memperhatikan faktor-faktor fundamental (seperti kebijaksanaan pemerintah, pertumbuhan laba, perkembangan tingkat bunga, dan sebagainya), yang mungkin mempengaruhi harga saham (kondisi pasar). Analisis teknikal ini diperkenalkan untuk pertama kali oleh Charles H. Dow yaitu pada tahun 1884 bulan Juli, Dow menemukan ukuran perhitungan
4 pasar saham miliknya. Oleh karena itu maka teori yang dikemukakan tersebut dinamakan Dow Theory (teori Dow) yang merupakan cikal bakal analisis teknikal sehingga teori Dow sering disebut sebagai kakek moyangnya analisis teknikal. Teori Dow bertujuan untuk mengindentifikasi harga pasar dalam jangka panjang dengan berdasarkan pada data-data historis harga dimasa lalu. (Tandelilin, 2001). Teori ini pada dasarnya menjelaskan bahwa pergerakan harga saham bisa dikelompokan menjadi 3, yaitu : 1. Primary Trend, yaitu pergerakan harga saham dalam jangka waktu lama (Tahunan) 2. Secondary Trend, yaitu pergerakan harga saham yang terjadi selama pergerakan harga dalam primary trend. Biasanya terjadi dalam mingguan atau bulanan. 3. Minor Trend, merupakan fluktuasi harga saham yang terjadi setiap hari. II.1.5 Autoregressive Integrated Moving Average (ARIMA) Menurut Arsyad (2001:281) Metode ARIMA adalah sebagai berikut : ARIMA merupakan teknik uji linier yang istimewa. Dalam membuat peramalan, model ini sama sekali mengabaikan variabel independen. ARIMA merupakan suatu alat yang menggunakan nilai-nilai sekarang dan nilai-nilai lampau dari variabel dependen untuk menghasilkan peramalan jangka pendek yang akurat Santoso (2009:152) mendefinisikan pengertian Metode ARIMA adalah sebagai berikut : Metode forecasting yang tidak menggunakan teori atau pengaruh antar variabel seperti adalah pada model regresi; dengan demikian, metode ARIMA tidak memerlukan penjelasan mana variabel dependen atau mana variabel independen. Metode ini juga tidak melihat pola-pola data seperti pada time series decompotion; data yang akan diprediksi tidak perlu di pecah menjadi komponen trend, seasonal, siklis atau irregular seperti perlakuan pada data time series pada umumnya. Metode ini secara murni melakukan prediksi hanya berdasarkan datadata historis yang ada.
5 Metode ARIMA atau biasa disebut juga sebagai metode Box-Jenkins merupakan metode yang dikembangkan oleh George EP Box dan Gwilym Jenkins (1976), sehingga ARIMA sering disebut sebagai metode deret waktu Box- Jenkins (Juanda & Juandi, 2012:69). Menurut Mulyono (2000:127) metode Box-Jenkis hanya dapat diterapkan, menjelaskan, atau mewakili series yang stasioner atau telah dijadikan stasioner melalui proses differencing. Karena series stasioner tidak punya unsur trend, maka yang ingin dijelaskan dengan metode ini adalah unsur sisanya, yaitu error. Kelompok model time series linier yang termasuk dalam metode ini antara lain: moving average, autoregressive, autoregressive-moving average, dan autoregressive integrated moving average. 1. Model Moving Average (MA) Model moving average merupakan model untuk peramalan nilai series yang stasioner (Y t ) sebagai fungsi linier dari kesalahan peramalan sekarang dan masa lalu yang berurutan. Bentuk umum model ini adalah (Mulyono, 2000:127): Di mana : Y t = a 0 + e t - a 1 e t-1 a 2 e t a q e t-q Y t e t : nilai series yang stasioner; : kesalahan peramalan yang dihasilkan proses random (white noise) diasumsikan normally and independently distributed dengan rata-rata nol; e t-1, e t-2 : kesalahan peramalan masa lalu;
6 a 0, a 1, a 2 : konstanta dan koefisien model, mengikuti konvensi koefisien pada model ini diberi tanda negatif. nilai Y t merupakan rata-rata tertimbang dari kesalahan sebanyak q periode kebelakang. Jumlah kesalahan yang digunakan pada persamaan ini (q) menunjukan tingkat dari model moving average. Jika model moving average bernilai 1 maka model dilambangkan sebagai MA (1). Hampir setiap model exponential smoothing pada prinsipnya ekuivalen dengan suatu model ini. Suatu syarat perlu dilakukan agar model MA dikatakan statsioner yang dinamakan invertibility condition adalah bahwa jumlah koefisien model ( ) selalu kurang dari 1. Hal ini berarti jika makin ke belakang peranan kesalahan makin mengecil. Jika kondisi ini tak terpenuhi maka kesalahan yang makin ke belakang justru makin berperan. Metode MA digunakan untuk menghilangkan fluktuasi data yang teliti, khususnya terjadi pada fluktuasi data yang dikarenakan nilai-nilai yang dianggap irregular. Suatu series dikatakan iregulear, karena jumlah frekuensi tidak banyak tetapi nilai yang berbeda cukup tinggi dengan rata-rata. Metode MA juga dapat dikatakan bahwa data historis (masa lalu) mempunyai nilai yang relatif sama dengan saat ini, maka dapat dikatakan data yang terdapat di masa lalu dianggap masih berkaitan dengan saat ini dan juga dapat dilakukan peramalan data di masa yang akan datang. Moving Average (rata-rata bergerak) karena proses dari ratarata digunakan secara kontinu, dari data-data masa lalu dan akan bergerak ke data saat ini (Santoso, 2002: 76)
7 2. Model Autoregressive Model Autoregressive adalah model untuk peramalan Y t sebagai fungsi linier dari data di masa lalu yang berurutan atau nilai sekarang series merupakan rata-rata tertimbang nilai-nilai masa lalu dengan kesalahan sekarang. Bentuk model ini adalah (Mulyono, 2000:128): Di mana : Y t = b 0 + b 1 Y t-1 + b 2 Y t b q Y t-p + e t Y t Y t-1, Y t-2 b 0, b 1, b 2 e t : nilai series yang stasioner; : nilai lampau series yang bersangkutan; : konstanta dan koefisien model; : kesalahan peramalan dengan ciri seperti sebelumnya. Jumlah nilai lampau yang digunakan pada model AR (p) menunjukkan tingkat model. Jika model AR hanya digunakan sebuah nilai lampau, maka dikatakan model autoregressive tingkat satu atau dapat dilambangkan dengan AR (1). Jumlah koefisien model autoregressive ( ) harus selalu kurang dari 1, agar model ini menjadi stationer. Hal tersebut dilakukan karena merupakan syarat yang diperlukan untuk menjamin stationarity. 3. Model Autoregressive-Moving Average Dalam proses random stasioner bisa tidak dapat dijelaskan oleh model moving average saja atau autoregressive saja, karena proses itu mengandung keduanya. Model dinamakan autoregressive-moving average karena merupakan gabungan dari kedual model, hal ini dilakukan agar model dapat lebih efektif.
8 Pada model gabungan ini series stasioner adalah fungsi dari nilai lampaunya serta nilai sekarang dan lampau kesalahannya. Bentuk umum model ini adalah (Mulyono, 2000:128): di mana : Y t = b 0 + b 1 Y t b p Y t-p + e t a 1 e t-1 + a q e t-q Y t Y t-1, Y t-p e t-1, e t-2 e t b 0 dan b 1, b p, a 1, a q : nilai series yang stasioner; : nilai lampau series yang bersangkutan; : kesalahan masa lalu; : kesalahan peramalan dengan ciri seperti sebelumnya; : konstanta dan koefisien model syarat perlu agar proses ini stasioner adalah b 1 + b b q < 1 model p menunjukkan tingkat model autoregressive dan q menunjukkan tingkat model moving average, sehingga jika model menggunakan satu nilai lampau series dan dua kesalahan masa lalu, model itu dilambangkan sebagai ARMA (1,2) dengan bentuk persamaan: Y t = b 0 + b 1 Y t-1 + e t a 1 e t -, - a 2 e t-2 4. Model Autoregressive Integrated Moving Average Menurut Gujarati (2003) model time series yang digunakan berdasarkan asumsi bahwa data time series tersebut stasioner artinya rata-rata varian suatu time series konstan. Banyak data time series dalam ilmu ekonomi adalah tidak stasioner, melainkan integrated. Jika data time series integrated dengan ordo 1 disebut I (1) artinya differencing pertama. Jika series itu melalui proses
9 differencing sebanyak d kali dapat dijadikan stasioner, maka series itu dikatakan non stasioner homogen tingkat d. Dalam praktik, banyak series Y t adalah tidak stasioner. Jika series itu melalui proses differencing sebanyak d kali dapat dijadikan stasioner, maka series itu dikatakan nonstasioner homogen tingkat d. Contoh: Misalkan Y t nonstasioner Z t = AY t = Y t Y t-1 dan Z t adalah stasioner, maka Z t dikatakan first order homogeneus dan Y t dikatakan nonstasioner homogeny tingkat 1. Jika Z t mengikuti proses ARMA (p,q), maka Y t dikatakan mengikuti proses autoregressive integrated moving average yang dilambangkan dengan ARIMA (p,d,q) dimana d adalah tingkat proses differencing Suatu series nonstasioner homogem mungkin tidak tersusun atau kedua proses itu, yaitu proses autoregressive maupun moving average. Jika model hanya mengandung proses autoregressive, maka series itu dikatakan mengikuti proses integrated autoregressive dan dilambangkan ARIMA (p,d,0). Namun, jika hanya mengandung proses moving average, maka series dikatakan mengikuti proses integrated moving average atau dapat dinamakan ARIMA (0,d,q) (Mulyono, 2000:129). II.1.6 Tahapan Metode ARIMA (BOX-JENKINS) Menurut Arsyad (2001:282) tahapan Box-Jenkins adalah sebagai berikut : Metode Peramalan Box-Jenkins berbeda dengan hampir semua metode peramalan lainnya. Metode ini menggunakan pendekatan iteratif dalam mengidentifikasi suatu model yang paling tepat dari semua kemungkinan model yang ada. Model yang telah dipilih diuji lagi dengan data historis untuk melihat apakah model tersebut menggambarkan keadaan data secara akurat atau tidak
10 Langkah-langkah penerapan metode ARIMA secara berturut-turut adalah 1. Spesifikasi atau identifikasi model; 2. Pendugaan parameter model; 3. Diagnostic checking, dan 4. Peramalan. Berikut digambarkan setiap tahapan metode diagram air metode ARIMA dalam bentuk flowchart: Gambar 2.1 Flowchart Tahapan Metode ARIMA Perumusan Model-model secara umum Identifikasi Model Sementara Tidak Pengestimasian parameter dari Model Sementara Uji Diagnostik: Apakah Model Memadai? Ya Penggunaan Model untuk Peramalan Sumber : Box & Jenkins (1976) dalam Arsyad (2001:283)
11 1. Model Umum dan Uji Stasioner Suatu series dapat dikatakan stasioner atau menunjukkan kesalahan random yaitu jika koefisien autocorrelation untuk semua lag (selisih waktu) secara statistik tidak berbeda dari nol atau berbeda dari nol hanya untuk beberapa lag yang didepan. Kata secara statistik menunjukkan bahwa sedang berhubungan dengan koefisien autocorrelation sample, sehingga ada sampling error. Menurut Bartlett, suatu koefisien dikatakan tidak berbeda dari nol jika berada dalam interval sebagai berikut: 0 ± Z a/2 (1 / ) di mana : Z a/2 N : nilai variabel normal standar dengan tingkat keyakinan 1 α : banyaknya observasi, pada model ini biasanya digunakan n besar, paling tidak Identifikasi Model Jika data telah menjadi series stasiioner, maka dilakukan penentuan model ARIMA (p,d,q) yang sekiranya cocok (tentatif) dengan cara menentukan berapa nilai p, d, dan q. Jika data yang diolah tanpa melakukan proses differencing maka d diberi nilai 0. Jika data menjadi stasioner setelah first order differencing maka d bernilai 1 dan seterusnya. Dalam menentukan nilai p dan d dapat ditentukan berdasarkan pengujian corrrelogram dengan mengamati pola fungsi autocorrelation dan partial autocorrelation (correlogram) dari series yang dipelajari. Berikut ini merupakan acuan penentuan pola ARIMA dengan acuan seperti berikut (Mulyono, 2000: ):
12 Tabel 2.1 Pola Otokorelasi dan Otokorelasi Parsial Autocorrelation Partial Autocorrelation ARIMA tentatif Menuju nol setelah lag q Menurun secara bertahap / bergelombang Menurun secara Menuju nol setelah lag p bertahap/bergelombang Menurun secara Menurun secara bertahap/bergelombang bertahap/bergelombang (sampai lag q masih (sampai lag p masih berbeda dari nol berbeda dari nol) Sumber : Mulyono (2000:131) ARIMA (0,d,q) ARIMA (p,d,q) ARIMA (p,d,0) Dalam mengamati pola autocorrelation dan partial autocorrelation seringkali pola yang terjadi pada data tidak sama dengan pola yang ada pada tabel itu, hal ini disebabkan karena adanya variasi sampling. Jika dalam penentuan p dan q sudah terbiasa maka diharapkan dekat dengan pola yang benar. Namun, kesalahan dalam penentuan nilai p dan q bukan merupakan masalah karena nanti akan dimengerti setelah dilakukan proses diagnostic checking. 3. Pendugaan Parameter Model Jika model tentatif telah ditentukan maka langkah berikutnya yaitu menduga parameternya. Pendugaan parameter model ARIMA akan menjadi sulit karena terdapat unsur moving average yang mengakibatkan ketidaklinieran parameter. Pendugaan parameter model ARIMA tidak menggunakan ordinary least squares (OLS), tetapi menggunakan metode penduga nonlinier. Dalam model regresi, kriteria pendugaan adalah sum squared error minimum.
13 Dalam proses pendugaan di awali dengan menentukan nilai awal parameter kemudian dilakukan proses iterasi menuju parameter yang menghasilkan sum squared error terkecil. Pemilihan nilai awal parameter berpengaruh terhadap banyaknya iterasi. Jika pilihan awal (dekat dengan parameter yang sebenarnya) maka konvergensi akan tercapai lebih cepat. Namun, jika dugaan yang salah maka kemungkinkan proses iterasi tidak konvergen (Mulyono, 2000:131). 4. Diagnostic Checking Jika pendugaan parameter telah ditentukan maka perlu melewati tahap diagnostic checking, yaitu memeriksa atau menguji apakah model telah dispesifikasi secara benar atau apakah model telah dipilih p, d, dan q yang benar. Model siap dilakukan peramalan jika telah melewati proses diagnostic checking. Ada beberapa cara yang dilakukan untuk memeriksa model adalah sebagai berikut Mulyono (2000:133): Pertama, model dispesifikasi dengan benar jika kesalahannya bersifat random atau merupakan suatu proses invitite noise atau antar-error tidak berhubungan, sehingga fungsi autocorrelation dari kesalahan tidak berbeda dengan nol secara statistik. Jika model kesalahaannya bersifat non random maka spesifikasi model yang lain perlu diduga dan diperiksa agar model dapat dispesifikasi dengan benar. Kedua, model yang dispesifikasi dengan benar dapat dilakukan pengujian dengan menggunakan modifted Box-Pierce (Ljung-Box) Q statistic yaitu menguji apakah fungsi autocorrelation kesalahan semuanya tidak berbeda dari nol. Rumusan itu adalah:
14 Q = n(n + 2) Di mana: r k = koefisien autorrelation kesalahan dengan lag k; n = banyaknya observasi series stasioner. Statistik Q mendekati distribusi chi-square dengan derajat bebas k-p-q. Jika nilai statistik Q lebih kecil dari nilai kritis chi-square seperti yang terdapat pada tabel, maka semua koefisien autocorrelation dapat dikatakan tidak berbeda dari nol atau model telah dispesifikasi dengan benar. Ketiga, Jika hasil pengujian dengan menggunakan modifted Box-Pierce (Ljung-Box) Q statistic menyisakan lebih dari satu model, maka model yang dipilih adalah model yang menghasilkan nilai MSE terkecil. Rumus MSE adalah sebagai berikut: Di mana: n = banyaknya observasi series stasioner; = nilai ramalan model; = nilai series. MSE yang lebih kecil dapat dikatakan model yang lebih cocok dengan data. Jika nilai MSE diantara model-model itu tidak menunjukkan perbedaan yang menonjol, maka semua model terpilih dipertahankan dan seleksi dilakukan pada setelah pengukuran kesalahan peramalan
15 5. Peramalan Mengacu pada pendapat Mulyono (2000:133) Jika model telah melewati tahap diagnostic checking maka langkah terakhir menggunakan model yang terbaik untuk melakukan peramalan. Jika model terbaik telah ditentukan maka model tersebut dapat digunakan untuk peramalan. Pada series homogeny non stasioneri memerlukan ramalan series asli, maka bentuk selisih harus dikembalikan pada bentuk variabel yang asli. Teknik peramalan ini juga dapat memberikan interval keyakinan. Jika semakin jauh ke depan, maka interval keyakinan akan semakin lebar. Namun tidak demikan untuk interval keyakinan pada moving average model murni. Berdasarkan ciri tersebut, model time series lebih cocok untuk melakukan peramalan jangka sangat pendek. Dalam melakukan peramalan jangka panjang, model struktual lebih cocok untuk digunakan peramalan. Peramalan dapat dikatakan sebagai never ending process, artinya jika data terbaru muncul, model perlu diduga dan diperiksa kembali. II.2 Penelitian Terdahulu Sudah banyak penelitian-penelitian terdahulu yang mencoba memprediksi gerakan suatu indeks harga saham menggunakan analisis teknikal dengan berbagai metode. Mulyono (2000) meneliti tentang peramalan jangka pendek pergerakan IHSG di BEI dan nilai tukar rupiah terhadap dolar dengan metode Box-Jenkins (ARIMA). Hasil penelitian yang menjelaskan bahwa metode Box-Jenkins ini cocok untuk peramalan jangka pendek. Wongkaroon (2002) melakukan penelitian saham di Thailand menggunakan mengenai efisiensi bursa saham dengan menggunakan model
16 ARIMA. Hasil penelitian menunjukkan model ARIMA lebih akurat dalam meramal pergerakan indeks harga saham SET50 periode tahun 1997 daripada Random Walk Theory. Namun hasil test indeks SET50 pada tahun 1996, 1998, dan 2001, metode ARIMA kurang akurat jika dibandingkan dengan hasil test Random Walk Theory. Yani (2004) melakukan peramalan terhadap pergerakan IHSG di BEI dengan menggunakan metode Box-Jenkins (ARIMA). Hasil penelitian menunjukkan bahwa metode ARIMA cocok untuk peramalan jangka pendek. Nachrowi (2007) melakukan prediksi terhadap pergerakan IHSG di BEI dengan beberapa pendekatan dan kemudian membandingkan daya prediksinya. Hasil penelitian menunjukkan bahwa metode ARIMA mempunyai kesalahan lebih kecil dalam memprediksi gerakan IHSG dibandingkan metode GARCH. Murwaningsari (2008) melakukan penelitian mengenai nilai prediksi IHSG. Hasil penelitian menunjukkan metode ARIMA memberikan hasil selisih nilai terkecil antara aktual dengan prediksi sebesar (ARIMA) dan (GARCH). Sehingga dapat disimpulkan bahwa metode ARIMA dapat digunakan untuk memprediksi gerakan IHSG karena mempunyai kesalahan prediksi lebih kecil. Hasil penelitian ini konsisten dengan penelitian Nachrowi (2007) Sadeq (2008) melakukan peramalan IHSG dengan metode ARIMA untuk periode 2 Januari Desember Hasil penelitian menunjukkan bahwa metode ARIMA terbukti akurat dengan tingkat kesalahan peramalan ratarata sebesar 4.13%.
17 Pada tabel berikut dapat dilihat ikhtisar dari penelitian terdahulu yang berhubungan dengan analisis prediksi harga saham yang menggunakan metode ARIMA dalam melakukan peramalan, adalah sebagai berikut: Tabel 2.2 Penelitian Terdahulu No. Peneliti Metode Periode Data Penelitian dan Hasil 1. Sri Mulyono (2000) 2. Rewat Wongkaroon (2002) 3. Achmad Yani (2004) 4. Nachrowi Djalal, Hardius Usman (2007) Metode Jenkins (ARIMA) ARIMA, Random Theory Metode Jenkins (ARIMA) Metode Jenkins (ARIMA) metode GARCH Boxwalk Box- Boxdan Data harian periode 3 Januari 31 Maret 2000 Data periode Data harian periode 2 Januari Desember 2003 Data harian periode 3 Januari Januari 2006 Dalam penelitiannya mengenai peramalan jangka pendek IHSG di BEJ. Hasil penelitian menunjukkan bahwa metode Box-Jenkins cocok untuk peramalan jangka pendek. Dalam penenlitiannya, melakukan peramalan pergerakan harga indeks SET50 di Thailand. Hasil penelitian menunjukkan bahwa model ARIMA hanya lebih akurat dalam meramal indeks SET50 pada tahun Namun pada tahun 1996, 1998, dan 2001 kurang akurat jika dibandingkan dengan Random Walk Theory. Peramalan pergerakan IHSG di BEI. Hasil penelitian menunjukkan bahwa model ARIMA cocok untuk peramalan jangka pendek. Dalam penelitiannya melakukan Prediksi tergadap pergerakan IHSG di BEI dengan menggunakan beberapa pendekatan dan kemudian
18 5. Etty Murwaningsari (2008) 6. Ahmad Sadeq (2008) Metode OLS, model GARCH, dan model ARIMA Metode Jenkins (ARIMA) Box- Data bulanan dari tahun Data harian periode 2 Januari Desember 2006 membandingkan daya prediksinya. Hasil penelitian menunjukkan bahwa model ARIMA mempunyai kesalahan lebih kecil dibandingkan metode GARCH Penelitian mengenai nilai prediksi IHSG. Hasil penelitian menunjukkan metode ARIMA memberikan hasil selisih nilai terkecil antara aktual dengan prediksi sebesar 47,34 (ARIMA) dan 258,48 (GARCH). Peramalan IHSG dengan metode ARIMA. Hasil penelitian menujukkan bahwa peramalan IHSG dengan metode ARIMA terbukti akurat dengan tingkat kesalahan peramalan ratarata sebesar 4,14%.
19 II.3 Kerangka Pikir Teoritis Dalam penelitian ini terdapat 2 variabel yaitu variabel bebas dan variabel terikat. Variabel bebas yang digunakan adalah hasil perdiksi IHSG menggunakan metode ARIMA dan variabel terikat IHSG pada harian mendatang. Berikut ini gambar hubungan variabel bebas dengan variabel terikat: Prediksi IHSG ARIMA Y t-1 IHSG pada harian mendatang Y t-2 Y t Y t-n II.4 Hipotesis Berdasarkan uraian diatas dapat diajukan hipotesis sebagai berikut: Ho : b 1 = 0, Analisis prediksi IHSG dengan menggunakan metode ARIMA tidak berpengaruh signifikan terhadap IHSG pada harian mendatang di BEI Ha : b 1 0, Analisis prediksi IHSG dengan menggunakan metode ARIMA berpengaruh signifikan terhadap IHSG periode harian mendatang di BEI II.5 Definisi Operasional Variabel 1. IHSG IHSG merupakan indeks yang nenunjukkan pergerakan harga saham seluruh harga saham yang telah tercatat di bursa yang menjadi acuan perkembangan
20 kegiatatan di pasar modal. IHSG dapat dihitung sebagai berikut: dimana: IHSG t Nilai Pasar = indeks Harga Saham Gabungan hari ke-t. = rata-rata tertimbang nilai pasar (jumlah lebar tercatat di bursa dikalikan dengan harga pasar perlembarnya) Nilai Dasar = sama dengan nilai pasar tetapi dimulai dari tanggal 10 Agustus ARIMA ARIMA merupakan metode peramalan yang secara penuh mengabaikan variabel independen karena model ini menggunakan nilai masa lalu dan sekarang dari variabel dependen untuk menghasilkan peramalan jangka pendek yang akurat. dimana : Y t = b 0 + b 1 Y t b n Y t-n a 1 e t a n e t-n + e t Y t Y t-1, Y t-2 e t-1, e t-2 e t b 0 b 1, b p, a 1, a q : nilai series yang stasioner; : nilai lampau series yang bersangkutan; : variabel bebas yang merupakan lag dari residual : residual : konstanta : koefisien model Definisi operasional variabel penelitian dapat identifikasi adalah sebagai berikut:
21 Tabel 2.3 Operasional Variabel variabel Definisi Skala Pengukuran IHSG (Y) ARIMA (X) IHSG merupakan indeks yang nenunjukkan pergerakan harga saham seluruh harga saham yang telah tercatat di bursa yang menjadi acuan perkembangan kegiatatan di pasar modal ARIMA merupakan metode peramalan yang secara penuh mengabaikan variabel independen karena model ini menggunakan nilai masa lalu dan sekarang dari variabel dependen untuk menghasilkan peramalan jangka pendek yang akurat. Sumber : dikembangkan untuk penelitian Rasio Rasio X t-1 = Harga saham 1 hari sebelum t (dijadikan sebagai variabel independen) X t-2 = Harga saham 2 hari sebelum t (dijadikan sebagai variabel independen) X t-n = Harga saham 2 hari sebelum n (dijadikan sebagai variabel independen)
BAB 2 LANDASAN TEORI
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
Lebih terperinciBab IV. Pembahasan dan Hasil Penelitian
Bab IV Pembahasan dan Hasil Penelitian IV.1 Statistika Deskriptif Pada bab ini akan dibahas mengenai statistik deskriptif dari variabel yang digunakan yaitu IHSG di BEI selama periode 1 April 2011 sampai
Lebih terperinciANALISIS PREDIKSI INDEKS HARGA SAHAM GABUNGAN DENGAN METODE ARIMA
ANALISIS PREDIKSI INDEKS HARGA SAHAM GABUNGAN DENGAN METODE ARIMA (Studi pada IHSG di Bursa Efek Jakarta) TESIS Diajukan sebagai salah satu syarat Untuk menyelesaikan Program Pascasarjana Pada program
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
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
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Analisis Harga Saham Saham merupakan surat berharga yang menunjukkan bukti kepemilikan terhadap suatu perusahaan berbentuk Perseroan Terbatas. Perusahaan yang telah menerbitkan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Peramalan 2.1.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang (Sofjan Assauri,1984). Setiap kebijakan ekonomi
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di Indonesia sejak tahun enam puluhan telah diterapkan Badan Meteorologi, Klimatologi, dan Geofisika di Jakarta menjadi suatu direktorat perhubungan udara. Direktorat
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel ARIMA menggunakan variabel dependen harga saham LQ45 dan variabel independen harga saham LQ45 periode sebelumnya, sedangkan ARCH/GARCH menggunakan variabel dependen
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Defenisi Peramalan Peramalan adalah suatu kegiatan dalam memperkirakan atau kegiatan yang meliputi pembuatan perencanaan di masa yang akan datang dengan menggunakan data masa lalu
Lebih terperinciModel Autoregressive Integrated Moving Average (ARIMA) adl teknik untuk mencari pola yg paling cocok dari sekelompok data Model ARIMA dapat digunakan
METODE BOX JENKINS Model Autoregressive Integrated Moving Average (ARIMA) adl teknik untuk mencari pola yg paling cocok dari sekelompok data Model ARIMA dapat digunakan utk semua tipe pola data. Dapat
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Pendahuluan. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Pendahuluan Peramalan merupakan upaya memperkirakan apa yang terjadi pada masa mendatang berdasarkan data pada masa lalu, berbasis pada metode ilmiah dan kualitatif yang dilakukan
Lebih terperinciTINJAUAN PUSTAKA. perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang
II.. TINJAUAN PUSTAKA Indeks Harga Konsumen (IHK Menurut Monga (977 indeks harga konsumen adalah ukuran statistika dari perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang didapatkan.
Lebih terperinciBAB 2 LANDASAN TEORI
1 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan metode ARIMA box jenkins untuk meramalkan kebutuhan bahan baku. 2.1. Peramalan Peramalan
Lebih terperinciMETODE PENELITIAN. Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015
III. METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015 bertempat di Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciPREDIKSI HARGA SAHAM PT. BRI, Tbk. MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average)
PREDIKSI HARGA SAHAM PT. BRI, MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average) Greis S. Lilipaly ), Djoni Hatidja ), John S. Kekenusa ) ) Program Studi Matematika FMIPA UNSRAT Manado
Lebih terperinciFORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA
FORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA 1) Nurul Latifa Hadi 2) Artanti Indrasetianingsih 1) S1 Program Statistika, FMIPA, Universitas PGRI Adi Buana Surabaya 2)
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Iklim Iklim ialah suatu keadaan rata-rata dari cuaca di suatu daerah dalam periode tertentu. Curah hujan ialah suatu jumlah hujan yang jatuh di suatu daerah pada kurun waktu
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan digunakanan sebagai acuan pencegah yang mendasari suatu keputusan untuk yang akan datang dalam upaya meminimalis kendala atau memaksimalkan pengembangan baik
Lebih terperinciLAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU. Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins
LAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU Kelas A Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins No Nama Praktikan Nomor Mahasiswa Tanggal Pengumpulan 1 29 Desember 2010 Tanda Tangan Praktikan
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. Adapun langkah-langkah pada analisis runtun waktu dengan model ARIMA
BAB IV HASIL PENELITIAN DAN PEMBAHASAN Pada bab ini, akan dilakukan analisis dan pembahasan terhadap data runtun waktu. Adapun data yang digunakan dalam penelitian ini merupakan data sekunder, yaitu data
Lebih terperinciII. TINJAUAN PUSTAKA. Analisis ARIMA (Autoregressive Integrated Moving Average) umumnya
II. TINJAUAN PUSTAKA 2.1 Stasioner Analisis ARIMA Autoregressive Integrated Moving Average umumnya mengasumsikan bahwa proses umum dari time series adalah stasioner. Tujuan proses stasioner adalah rata-rata,
Lebih terperinciBab V SIMPULAN DAN SARAN
Bab V SIMPULAN DAN SARAN V.1 Ringkasan Penelitian ini dilakukan untuk menguji prediksi menggunakan metode ARIMA. Data yang digunakan dalam penelitian adalah data IHSG penutupan harian IHSG mulai periode
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Indeks harga saham merupakan suatu indikator yang menunjukkan pergerakan harga saham dalam suatu periode, dengan adanya indeks maka dapat diketahui tren yang
Lebih terperinciBAB 2 LANDASAN TEORI. datang. Kegunaan dari peramalan terlihat pada saat pengambilan keputusan.
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang datang. Kegunaan dari peramalan terlihat pada saat pengambilan keputusan. Keputusan yang
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Mulai Studi Pendahuluan Studi Pustaka Identifikasi Masalah Perumusan Masalah Tujuan Pengumpulan Data 1. Profil Perusahaan PT. Mensa Binasukses cabang kota Padang 2. Data forecasting
Lebih terperinciMetode Deret Berkala Box Jenkins
METODE BOX JENKINS Metode Deret Berkala Box Jenkins Suatu metode peramalan yang sistematis, yang tidak mengasumsikan suatu model tertentu, tetapi menganalisa deret berkala sehingga diperoleh suatu model
Lebih terperinci4 BAB IV HASIL PEMBAHASAN DAN EVALUASI. lebih dikenal dengan metode Box-Jenkins adalah sebagai berikut :
4 BAB IV HASIL PEMBAHASAN DAN EVALUASI Pada bab ini, akan dilakukan analisis dan pembahasan terhadap data runtut waktu. Data yang digunakan dalam penelitian ini merupakan data sekunder, yaitu data harga
Lebih terperinciVI PERAMALAN PENJUALAN AYAM BROILER DAN PERAMALAN HARGA AYAM BROILER
VI PERAMALAN PENJUALAN AYAM BROILER DAN PERAMALAN HARGA AYAM BROILER 6.1. Analisis Pola Data Penjualan Ayam Broiler Data penjualan ayam broiler adalah data bulanan yang diperoleh dari bulan Januari 2006
Lebih terperinci2. BAB II LANDASAN TEORI
2. BAB II LANDASAN TEORI 2.1 Saham Saham adalah surat berharga yang menunjukkan kepemilikan perusahaan sehingga pemegang saham memiliki hak distribusi lain yang dilakukan perusahaan kepada pemegang saham
Lebih terperinciIII. METODE PENELITIAN
15 III. METODE PENELITIAN 3.1. Kerangka Pemikiran Penelitian Perkembangan ekonomi dan bisnis dewasa ini semakin cepat dan pesat. Bisnis dan usaha yang semakin berkembang ini ditandai dengan semakin banyaknya
Lebih terperinciPENERAPAN MODEL ARIMA UNTUK MEMPREDIKSI HARGA SAHAM PT. TELKOM Tbk. APPLICATION OF ARIMA TO FORECASTING STOCK PRICE OF PT. TELOKM Tbk.
PENERAPAN MODEL ARIMA UNTUK MEMPREDIKSI HARGA SAHAM PT. TELKOM Tbk. Djoni Hatidja ) ) Program Studi Matematika FMIPA Universitas Sam Ratulangi, Manado 955 email: dhatidja@yahoo.com ABSTRAK Penelitian ini
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah. Teknologi informasi telah berkembang dengan relatif pesat. Di era
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Teknologi informasi telah berkembang dengan relatif pesat. Di era informasi seperti sekarang ini kebutuhan akan informasi semakin meningkat, terutama dengan
Lebih terperinciPENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA
KEMENTERIAN PEKERJAAN UMUM BADAN PENELITIAN DAN PENGEMBANGAN PUSAT PENELITIAN DAN PENGEMBANGAN SUMBER DAYA AIR PENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA PENDAHULUAN Prediksi data runtut waktu.
Lebih terperinciIII. METODE PENELITIAN
38 III. METODE PENELITIAN A. Konsep Dasar dan Batasan Operasional Konsep dasar dan definisi opresional mencakup pengertian yang dipergunakan untuk mendapatkan dan menganalisis data sesuai dengan tujuan
Lebih terperinciMetode Box - Jenkins (ARIMA)
Metode Box - Jenkins (ARIMA) Metode peramalan saat ini cukup banyak dengan berbagai kelebihan masing-masing. kelebihan ini bisa mencakup variabel yang digunakan dan jenis data time seriesnya. nah, dalam
Lebih terperinciPrediksi Laju Inflasi di Kota Ambon Menggunakan Metode ARIMA Box Jenkins
Statistika, Vol. 16 No. 2, 95 102 November 2016 Prediksi Laju Inflasi di Kota Ambon Menggunakan Metode ARIMA Box Jenkins FERRY KONDO LEMBANG Jurusan Matematika Fakultas MIPA Universitas Pattimura Ambon
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini, peneliti akan memberikan penjelasan tentang teori metode backpropagation jaringan syaraf tiruan dan metode deret berkala ARIMA(Boxjenkins) sehingga dapat mempermudah
Lebih terperinciPrediksi Harga Saham dengan ARIMA
Prediksi Harga Saham dengan ARIMA Peramalan harga saham merupakan sesuatu yang ditunggu-tunggu oleh para investor. Munculnya model prediksi yang baru yang bisa meramalkan harga saham secara tepat merupakan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Peramalan pada dasarnya merupakan proses menyusun informasi tentang kejadian masa lampau yang berurutan untuk menduga kejadian di masa depan (Frechtling, 2001:
Lebih terperinciPERAMALAN SAHAM JAKARTA ISLAMIC INDEX MENGGUNAKAN METODE ARIMA BULAN MEI-JULI 2010
Statistika, Vol., No., Mei PERAMALAN SAHAM JAKARTA ISLAMIC INDEX MENGGUNAKAN METODE ARIMA BULAN MEI-JULI Reksa Nila Anityaloka, Atika Nurani Ambarwati Program Studi S Statistika Universitas Muhammadiyah
Lebih terperinciPemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah
Vol. 9, No., 9-5, Januari 013 Pemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah Fitriani, Erna Tri Herdiani, M. Saleh AF 1 Abstrak Dalam analisis deret waktu
Lebih terperinciMODEL AUTOREGRESSIVE (AR) ATAU MODEL UNIVARIATE
MODEL AUTOREGRESSIVE (AR) ATAU MODEL UNIVARIATE Data yang digunakan adalah data M2Trend.wf1 (buku rujukan pertama, bab-8). Model analisisnya adalah Xt = M2 diregresikan dengan t = waktu. Model yang akan
Lebih terperinciPerbandingan Metode Fuzzy Time Series Cheng dan Metode Box-Jenkins untuk Memprediksi IHSG
JURNAL SAINS DAN SENI POMITS Vol. 3, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Print) A-34 Perbandingan Metode Fuzzy Time Series Cheng dan Metode Box-Jenkins untuk Memprediksi IHSG Mey Lista Tauryawati
Lebih terperinciBAB 2. Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang akan datang. Ramalan adalah sesuatu kegiatan situasi atau kondisi yang diperkirakan akan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Manfaat Peramalan Pada dasarnya peramalan adalah merupakan suatu dugaan atau perkiraan tentang terjadinya suatu keadaan dimasa depan, tetapi dengan menggunakan metode metode tertentu
Lebih terperinciPEMODELAN ARIMA DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) IX JEMBER
PKMT-2-13-1 PEMODELAN ARIMA DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) IX JEMBER Umi Rosyiidah, Diah Taukhida K, Dwi Sitharini Jurusan Matematika, Universitas Jember, Jember ABSTRAK
Lebih terperinciAnalisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan
SEMINAR PROPOSAL TUGAS AKHIR Analisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan OLEH: NAMA : MULAZIMATUS SYAFA AH NRP : 13.11.030.021 DOSEN PEmbimbing: Dr.
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 DATA MINING Data Mining adalah analisis otomatis dari data yang berjumlah banyak atau kompleks dengan tujuan untuk menemukan pola atau kecenderungan yang penting yang biasanya
Lebih terperinciIII. METODOLOGI PENELITIAN. kuantitatif. Menurut Silalahi dalam Eliyawati (2012) penelitian kuantitatif yaitu
III. METODOLOGI PENELITIAN 3.1 Jenis Penelitian Penelitian ini merupakan jenis penelitian yang menggunakan pendekatan kuantitatif. Menurut Silalahi dalam Eliyawati (2012) penelitian kuantitatif yaitu penelitian
Lebih terperinciPERAMALAN JUMLAH PENUMPANG BANDARA I GUSTI NGURAH RAI DENGAN MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA)
M-11 2) PERAMALAN JUMLAH PENUMPANG BANDARA I GUSTI NGURAH RAI DENGAN MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) Naili Farkhatul Jannah 1), Muhammad Bahtiar Isna Fuady 2), Sefri
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan
Lebih terperinciPERAMALAN PENYEBARAN JUMLAH KASUS VIRUS EBOLA DI GUINEA DENGAN METODE ARIMA
Jurnal UJMC, Volume 2, Nomor 1, Hal. 28-35 pissn : 2460-3333 eissn: 2579-907X PERAMALAN PENYEBARAN JUMLAH KASUS VIRUS EBOLA DI GUINEA DENGAN METODE ARIMA Novita Eka Chandra 1 dan Sarinem 2 1 Universitas
Lebih terperinciEFEKTIVITAS METODE BOX-JENKINS DAN EXPONENTIAL SMOOTHING UNTUK MERAMALKAN RETRIBUSI PENGUJIAN KENDARAAN BERMOTOR DISHUB KLATEN
EFEKTIVITAS METODE BOX-JENKINS DAN EXPONENTIAL SMOOTHING UNTUK MERAMALKAN RETRIBUSI PENGUJIAN KENDARAAN BERMOTOR DISHUB KLATEN Puji Rahayu 1), Rohmah Nur Istiqomah 2), Eminugroho Ratna Sari 3) 1)2)3) Matematika
Lebih terperinciBAB III METODE PENELITIAN. 3.1 Unit Analisis dan Ruang Lingkup Penelitian. yang berupa data deret waktu harga saham, yaitu data harian harga saham
32 BAB III METODE PENELITIAN 3.1 Unit Analisis dan Ruang Lingkup Penelitian 3.1.1. Objek Penelitian Objek sampel data dalam penelitian ini menggunakan data sekunder yang berupa data deret waktu harga saham,
Lebih terperinciBAB 2 LANDASAN TEORI. Ramalan pada dasarnya merupakan perkiraan mengenai terjadinya suatu yang akan
BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Ramalan pada dasarnya merupakan perkiraan mengenai terjadinya suatu yang akan datang. Peramalan adalah proses untuk memperkirakan kebutuhan di masa datang
Lebih terperinciANALISA BOX JENKINS PADA PEMBENTUKAN MODEL PRODUKSI PREMI ASURANSI KENDARAAN BERMOTOR RODA EMPAT
ANALISA BOX JENKINS PADA PEMBENTUKAN MODEL PRODUKSI PREMI ASURANSI KENDARAAN BERMOTOR RODA EMPAT Mei Taripar Pardamean S.,SKom Jl. Makmur No.1 Ciracas Jakarta Timur mtp95@yahoo.com ABSTRAK Tujuan dari
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Gambaran Umum dan Objek Penelitian Objek penelitian dalam penelitian ini terdiri dari faktor-faktor ekonomi makro seperti Interest Rate dan Foreign Exchange Rate selain itu
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Peramalan (Forceasting) 2.1.1 Pengertian Peramalan Untuk memajukan suatu usaha harus memiliki pandangan ke depan yakni pada masa yang akan datang. Hal seperti ini yang harus dikaji
Lebih terperinciBAB I PENDAHULUAN. atau memprediksi nilai suatu perolehan data di masa yang akan datang
BAB I PENDAHULUAN 1.1 Latar Belakang Time Series atau deret waktu merupakan barisan suatu nilai pengamatan yang diukur dalam rentang waktu tertentu dalam interval waktu yang sama. Analisis data deret waktu
Lebih terperinciBAB 2 LANDASAN TEORI. diperkirakan akan terjadi pada masa yang akan datang. Ramalan tersebut dapat
BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi dimasa yang akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan
Lebih terperinciPERAMALAN LAJU INFLASI, SUKU BUNGA INDONESIA DAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN METODE VECTOR AUTOREGRESSIVE (VAR)
PERAMALAN LAJU INFLASI, SUKU BUNGA INDONESIA DAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN METODE VECTOR AUTOREGRESSIVE (VAR) SKRIPSI Oleh : PRISKA RIALITA HARDANI 24010211120020 DEPARTEMEN STATISTIKA FAKULTAS
Lebih terperinciBAB I PENDAHULUAN. satu sumber tetap yang terjadi berdasarkan waktu t secara berurutan dan dengan
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Data time series merupakan serangkaian data pengamatan yang berasal dari satu sumber tetap yang terjadi berdasarkan waktu t secara berurutan dan dengan interval
Lebih terperinciPEMODELAN TIME SERIES DENGAN PROSES ARIMA UNTUK PREDIKSI INDEKS HARGA KONSUMEN (IHK) DI PALU SULAWESI TENGAH
JIMT Vol. 12 No. 2 Desember 2016 (Hal 149-159) ISSN : 2450 766X PEMODELAN TIME SERIES DENGAN PROSES ARIMA UNTUK PREDIKSI INDEKS HARGA KONSUMEN (IHK) DI PALU SULAWESI TENGAH 1 Y. Wigati, 2 Rais, 3 I.T.
Lebih terperinciBAB II TINJAUAN PUSTAKA. keuntungan atau coumpouding. Dari definisi di atas dapat disimpulkan bahwa
BAB II TINJAUAN PUSTAKA 2.1 Pengertian Investasi Menurut Fahmi dan Hadi (2009) investasi merupakan suatu bentuk pengelolaan dana guna memberikan keuntungan dengan cara menempatkan dana tersebut pada alokasi
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Waktu dan Tempat Penelitian Penelitian dilakukan di Bursa Efek Indonesia untuk periode tahun 2010 sampai dengan tahun 2012, waktu penelitian ini direncanakan mulai bulan Februari
Lebih terperinciPERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS
Saintia Matematika ISSN: 2337-9197 Vol. 02, No. 03 (2014), pp. 253 266. PERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS
Lebih terperinciAnalisis Peramalan Data Produk Domestik Regional Bruto (PDRB) Sebagai Tolak Ukur Kinerja Perekonomian Provinsi Kepulauan Bangka Belitung
Analisis Peramalan Data Produk Domestik Regional Bruto (PDRB) Sebagai Tolak Ukur Kinerja Perekonomian Provinsi Kepulauan Bangka Belitung Desy Yuliana Dalimunthe Jurusan Ilmu Ekonomi, Fakultas Ekonomi,
Lebih terperinciBAB I PENDAHULUAN. 1.2 Latar Belakang Penelitian
BAB I PENDAHULUAN 1.1 Gambaran Objek Penelitian Saham adalah surat berharga yang merupakan tanda kepemilikan seseorang atau badan terhadap suatu perusahaan. Pemegang saham merupakan pemlik sebenarnya dari
Lebih terperinciMetode Variasi Kalender untuk Meramalkan Banyaknya Penumpang Kereta Api
Metode Variasi Kalender untuk Meramalkan Banyaknya Penumpang Kereta Api Efek Variasi Kalender dengan Pendekatan Regresi Time Series Nur Ajizah 1, Resa Septiani Pontoh 2, Toni Toharudin 3 Mahasiswa Program
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Desain Penelitian Desain penelitian mempunyai peranan yang sangat penting, karena keberhasilan suatu penelitian sangat dipengaruhi oleh pilihan desain atau model penelitian.
Lebih terperinciBAB I PENDAHULUAN. memberikan informasi tentang rata-rata bersyarat pada Y
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam kehidupan sehari- hari sering dijumpai data time series yang terdiri dari beberapa variabel yang saling terkait yang dinamakan dengan data time series
Lebih terperinciBAB II LANDASAN TEORI. nonstasioneritas, Autocorrelation Function (ACF) dan Parsial Autocorrelation
BAB II LANDASAN TEORI Pada Bab II akan dijelaskan pengertian-pengertian dasar yang digunakan sebagai landasan pembahasan pada bab selanjutnya yaitu peramalan data runtun waktu (time series), konsep dasar
Lebih terperinciPenerapan Metode ARCH/GARCH Dalam Peramalan Indeks Harga Saham Sektoral
Jurnal Sains Matematika dan Statistika, Vol 2, No I, Januari 206 Penerapan Metode ARCH/GARCH Dalam Peramalan Indeks Harga Saham Sektoral Ari Pani Desvina, Nadyatul Rahmah 2,2 Jurusan Matematika Fakultas
Lebih terperinciSTUDI PERAMALAN (FORECASTING) KURVA BEBAN HARIAN LISTRIK JANGKA PENDEK MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE(ARIMA)
Vol: 2 No.1 Maret 213 ISSN : 232-2949 STUDI PERAMALAN (FORECASTING) KURVA BEBAN HARIAN LISTRIK JANGKA PENDEK MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE(ARIMA) Syafii, dan Edyan Noveri
Lebih terperinciPERAMALAN STOK BARANG UNTUK MEMBANTU PENGAMBILAN KEPUTUSAN PEMBELIAN BARANG PADA TOKO BANGUNAN XYZ DENGAN METODE ARIMA
PERAMALAN STOK BARANG UNTUK MEMBANTU PENGAMBILAN KEPUTUSAN PEMBELIAN BARANG PADA TOKO BANGUNAN XYZ DENGAN METODE ARIMA Tanti Octavia 1), Yulia 2), Lydia 3) 1) Program Studi Teknik Industri, Universitas
Lebih terperinciPemodelan ARIMA Non- Musim Musi am
Pemodelan ARIMA Non- Musimam ARIMA ARIMA(Auto Regresif Integrated Moving Average) merupakan suatu metode analisis runtun waktu(time series) ARIMA(p,d,q) Dengan AR : p =orde dari proses autoreggresif I
Lebih terperinciBAB IV METODE PENELITIAN
BAB IV METODE PENELITIAN 4.1. Desain Penelitian Metode yang diterapkan dalam penelitian ini yaitu desain kuantitatif, konklusif, eksperimental dan deskriptif. Metode deskriptif bertujuan untuk membuat
Lebih terperinciMODEL TERBAIK ARIMA DAN WINTER PADA PERAMALAN DATA SAHAM BANK
MODEL TERBAIK ARIMA DAN WINTER PADA PERAMALAN DATA SAHAM BANK Moh. Yamin Darsyah 1, Muhammad Saifudin Nur 2 1,2 Progam Studi Statistika Fakultas Matematika Dan Ilmu Pengetahuan Alam Universitas Muhammadiyah
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
28 BAB 3 METODOLOGI PENELITIAN 3.1 Objek Penelitian Dalam penelitian yang berkaitan dengan fenomena market overreaction di Bursa Efek Indonesia ini, yang menjadi objeknya adalah seluruh saham yang pernah
Lebih terperinciPERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 110 117 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH
Lebih terperinciLULIK PRESDITA W APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI
LULIK PRESDITA W 1207 100 002 APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI 1 Pembimbing : Dra. Nuri Wahyuningsih, M.Kes BAB I PENDAHULUAN 2 LATAR BELAKANG 1. Stabilitas ekonomi dapat dilihat
Lebih terperinciARIMA and Forecasting
ARIMA and Forecasting We have learned linear models and their characteristics, like: AR(p), MA(q), ARMA(p,q) and ARIMA (p,d,q). The important thing that we have to know in developing the models are determining
Lebih terperinciBAB IV METODOLOGI PENELITIAN. mengetahui hubungan antara variabel bebas net profit margin, return on asset,
BAB IV METODOLOGI PENELITIAN 4.1. Metode Penelitian Metode penelitian yang digunakan adalah pendekatan deskriptif kuantitatif, berdasarkan permasalahan yang diteliti, penelitian ini digolongkan kepada
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Berbicara tentang kegiatan pasar modal saat ini tidak terlepas dari apa yang disebut sebagai indeks harga saham. Untuk mengetahui bagaimana kegiatan ekonomi
Lebih terperinciPENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Seminar Nasional Matematika dan Aplikasinya, 21 Oktober 27 PENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1 Sumber Data Penelitian ini menggunakan data sekunder yang diperoleh dari BEI. Data yang digunakan dalam penelitian ini merupakan data harian yang dimulai dari 3 Januari 2007
Lebih terperinciPrediksi Jumlah Penumpang Kapal Laut di Pelabuhan Laut Manado Menggunakan Model ARMA
Prediksi Jumlah Penumpang Kapal Laut di Pelabuhan Laut Manado Menggunakan Model ARMA Jeine Tando 1, Hanny Komalig 2, Nelson Nainggolan 3* 1,2,3 Program Studi Matematika, Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciBAB II TINJAUAN PUSTAKA. autokovarians (ACVF) dan fungsi autokorelasi (ACF), fungsi autokorelasi parsial
BAB II TINJAUAN PUSTAKA Berikut teori-teori yang mendukung penelitian ini, yaitu konsep dasar peramalan, konsep dasar deret waktu, proses stokastik, proses stasioner, fungsi autokovarians (ACVF) dan fungsi
Lebih terperinciBAB 2 LANDASAN TEORI. Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang akan datang. Ramalan adalah suatu situasi atau kondisi yang diperkirakan akan terjadi pada
Lebih terperinciAKURANSI ARIMA DALAM PERAMALAN INFLASI KOTA BANDUNG
AKURANSI ARIMA DALAM PERAMALAN INFLASI KOTA BANDUNG Muhamad Nawawi mnnierri@gmail.com ABSTRAK Inflation is as one of economic development indicator has an important role to public s economic prosperity
Lebih terperinciArtikel Ilmiah. Peneliti : Auditya Gianina Bernadine Amaheka ( ) Michael Bezaleel Wenas, S.Kom., M.Cs.
Analisis Peramalan Penerimaan Pajak Kendaraan Bermotor dengan Metode Autoregressive Integrated Moving Average (ARIMA) (Studi Kasus : Dinas Pendapatan dan Pengelolaan Aset Daerah Provinsi Jawa Tengah) Artikel
Lebih terperinciBAB I PENDAHULUAN. berasal dari sumber tetap yang terjadinya berdasarkan indeks waktu t secara
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Time Series atau runtun waktu adalah serangkaian data pengamatan yang berasal dari sumber tetap yang terjadinya berdasarkan indeks waktu t secara berurutan
Lebih terperinciBAB II TINJAUAN PUSTAKA. penelitian ini, yaitu ln return, volatilitas, data runtun waktu, kestasioneran, uji
35 BAB II TINJAUAN PUSTAKA Pada Bab II akan dibahas konsep-konsep yang menjadi dasar dalam penelitian ini, yaitu ln return, volatilitas, data runtun waktu, kestasioneran, uji ACF, uji PACF, uji ARCH-LM,
Lebih terperinciThe 4 th Univesity Research Coloquium 2016 PERBANDINGAN MODEL ARIMA DAN WINTER PADA PERAMALAN DATA SAHAM BANK
PERBANDINGAN MODEL ARIMA DAN WINTER PADA PERAMALAN DATA SAHAM BANK Moh. Yamin Darsyah 1, Muhammad Saifudin Nur 2 1,2 Progam Studi Statistika Fakultas Matematika Dan Ilmu Pengetahuan Alam Universitas Muhammadiyah
Lebih terperinciBAB III METODE PENELITIAN. dikumpulkan oleh pihak lain selain dari penelitian itu sendiri. Jenis data yang dipakai
24 BAB III METODE PENELITIAN 1.1 Jenis dan Sumber Data Menurut Sekaran (2003), data sekunder merupakan informasi yang dikumpulkan oleh pihak lain selain dari penelitian itu sendiri. Jenis data yang dipakai
Lebih terperinci1. Latar Belakang. Gambar 1 Plot Produksi Tembakau Indonesia. Gambar 2 Plot Harga Tembakau Indonesia
1. Latar Belakang Tembakau merupakan komoditas yang mempunyai arti penting karena memberikan manfaat ekonomi bagi Indonesia. Meskipun demikian, komoditi tembakau di Indonesia menghadapi berbagai permasalahan,
Lebih terperinciBAB IV METODE PENELITIAN
BAB IV METODE PENELITIAN 4.1. Metode Pengumpulan Data 4.1.1. Sumber Data Data yang digunakan dalam penelitian ini diperoleh dari sumber data sekunder, yaitu laporan keuangan tahunan perusahaan pertambangan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Salah satu indikator tingkat kesejahteraan rakyat dapat dilihat dari perkembangan angka kematian balita, dikarenakan kematian balita berkaitan erat dengan keadaan ekonomi,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Berdasarkan sifatnya peramalan terbagi atas dua yaitu peramalan kualitatif dan peramalan kuantitatif. Metode kuantitatif terbagi atas dua yaitu analisis deret berkala
Lebih terperinciBAB III OBJEK DAN METODE PENELITIAN. Dalam penelitian ini, yang menjadi objek penelitian terdiri dari variabel
49 BAB III OBJEK DAN METODE PENELITIAN 1.1 Objek Penelitian Dalam penelitian ini, yang menjadi objek penelitian terdiri dari variabel independen (X) yaitu dividen dan variabel dependen (Y) yaitu harga
Lebih terperinci