390
380
370
360
350
1 10 20 30 40 50 60 70 80 90 100
Index
1.0 1.0
0.8 0.8
0.6 0.6
Partial Autocorrelation
0.4 0.4
Autocorrelation
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
2 4 6 8 10 12 14 16 18 20 22 24 2 4 6 8 10 12 14 16 18 20 22 24
Lag Lag
Lower CL *
4.30
Upper CL *
4.28
StDev
4.27
4.26
4.25
4.24
4.23
-5.0 -2.5 0.0 2.5 5.0
Lambda
Berdasaarkan hasil uji ADF test di atas, dapat diketahui bahwa p-value sebesar
0,09935 ( gagal tolak H0) pada taraf signifikansi 5%. Sehingga dapat disimpulkan
bahwa data saham mingguan Jaya Agra Wattie Tbk, PT (JAWA) pada tanggal 1 Januari
2013 sampai dengan 31 Desember 2014 belum stasioner dalam mean sehingga perlu
dilakukan differencing. Berikut adalah uji ADF setelah data didefferencing.
Uji Hipotesis :
H0 : data stasioner dalam mean
H1 : data tidak stasioner dalam mean
Berdasaarkan hasil uji ADF test di atas, dapat diketahui bahwa p-value sebesar
0,01 ( tolak H0) pada taraf signifikansi 5%. Sehingga dapat disimpulkan bahwa data
saham mingguan Jaya Agra Wattie Tbk, PT (JAWA) pada tanggal 1 Januari 2013
sampai dengan 31 Desember 2014 sudah stasioner dalam mean setelah didefferencing 1
kali.
Berikut adalah time series plot, ACF dan PACF data saham mingguan Jaya Agra
Wattie Tbk, PT (JAWA) pada tanggal 1 Januari 2013 sampai dengan 31 Desember 2014
yang sudah stasioner dalam mean maupun varians.
40
30
20
10
-10
-20
1 10 20 30 40 50 60 70 80 90 100
Index
(with 5% significance limits for the autocorrelations) (with 5% significance limits for the partial autocorrelations)
1.0 1.0
0.8 0.8
0.6 0.6
Partial Autocorrelation
0.4 0.4
Autocorrelation
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
2 4 6 8 10 12 14 16 18 20 22 24 2 4 6 8 10 12 14 16 18 20 22 24
Lag Lag
Gambar 4. Time series Plot, ACF dan PACF Jawa setelah stasioner
Berdasarkan time series plot di atas dapat diketahui bahwa data sudah stasioner.
Sehingga untuk mengetahui model ARIMA dari saham mingguan Jaya Agra Wattie
Tbk, PT (JAWA) pada tanggal 1 Januari 2013 sampai dengan 31 Desember 2014 adalah
dengan melihat ACF dan PACF Gambar 4. Dengan melihat ACF dan PACF dapat
diketahui bahwa ACF keluar pada lag 14 sedangkan PACF keluar pada lag 14, 17 dan
18. Sehingga ada beberapa alternative model ARIMA subset yang dapat dibentuk.
Berikut adalah alternative model yang sudah memenuhi asumsi berdistribusi normal dan
white noise.
Alternatif 1 : ARIMA ([17],1,[14])
Tabel 1. Uji Parameter Signifikansi Model ARIMA ([17],1,[14])
Parameter Estimate T value P-value lag
MA 1,1 0,3688 3,49 0,0005 14
AR 1,1 -0,22362 -2,19 0,0288 17
Berdasarkan uji parameter di atas, dapat diketahui bahwa semua parameter
sudah signifikan karena p-value dari masing-masing parameter kurang dari taraf
signifikansi alfa 0,05. Selanjutnya adalah uji residual white noise dan berdistribusi
normal.
Tabel 2. Uji Residual White Noise ARIMA ([17],1,[14])
Lag Chi-square Df P-value
6 5,42 6 0,2466
12 10,94 12 0,3626
18 16,59 18 0,4124
24 20,28 24 0,5658
Berdasarkan Tabel 2, dapat diketahui bahwa model ARIMA ([17],1,[14]) sudah
memenuhi asumsi white noise. Hal tersebut terbukti dari p-value lebih dari 0,05 pada
lag 6,12,18 dan 24. Sedangkan uji distribusi normal dari residual adalah sebagai berikut.
Tabel 3. Uji Residual Distribusi Normal ARIMA ([17],1,[14])
Test Statistic p-value
Kolmogorov Smirnov 0,079072 0,1254
Dengan uji hipotesis :
H0 : Residual berdistribusi normal
H1 : Residual tidak berdistribusi normal
Berdasarkan Tabel 3, dapat diketahui bahwa p-value = 0,1254 atau lebih besar
dari alfa 5% maka gagal tolak H0. Sehingga dapat disimpulkan bahwa residual dari
model ARIMA ([17],1,[14]) berdistribusi normal.
Alternatif 2 : ARIMA ([14,17],1,0)
Tabel 1. Uji Parameter Signifikansi Model ARIMA ([14,17],1,0)
Parameter Estimate T value P-value lag
AR 1,1 -0,29157 -3,06 0,0022 14
AR 1,2 -0,17885 -1,86 0,0628 17
Berdasarkan uji parameter di atas, dapat diketahui bahwa semua parameter
sudah signifikan karena p-value dari masing-masing parameter kurang dari taraf
signifikansi alfa 0,1. Selanjutnya adalah uji residual white noise dan berdistribusi
normal.
Tabel 5. Uji Residual White Noise ARIMA ([14,17],1,0)
Lag Chi-square Df P-value
6 4,61 6 0,3292
12 11,48 12 0,3210
18 19,57 18 0,2401
24 24,65 24 0,3143
Berdasarkan Tabel 5, dapat diketahui bahwa model ARIMA ([14,17],1,0) sudah
memenuhi asumsi white noise. Hal tersebut terbukti dari p-value lebih dari 0,05 pada
lag 6,12,18 dan 24. Sedangkan uji distribusi normal dari residual adalah sebagai berikut.
Tabel 6. Uji Residual Distribusi Normal ARIMA ([14,17],1,0)
Test Statistic p-value
Kolmogorov Smirnov 0,084323 0,0799
Dengan uji hipotesis :
H0 : Residual berdistribusi normal
H1 : Residual tidak berdistribusi normal
Berdasarkan Tabel 6, dapat diketahui bahwa p-value = 0,0799 atau lebih besar
dari alfa 5% maka gagal tolak H0. Sehingga dapat disimpulkan bahwa residual dari
model ARIMA ([14,17],1,0) berdistribusi normal.
Pemilihan Model Terbaik
Dari kedua alternative model yang telah diperoleh maka dengan memggunakan
kriteria out sampel dapat dipilih model terbaik.
Tabel 7. Perhitungan MSE dan MAPE
asli alternatif 1 alternatif 2 MSE 1 MAPE 1 MSE 2 MAPE 2
377 379.5112 379.1523 6.30612544 0.006661008 4.632395 0.005709
377 379.7268 379.3312 7.43543824 0.007232891 5.434493 0.006184
377 382.0042 380.7424 25.04201764 0.01327374 14.00556 0.009927
378 383.0023 381.1001 25.02300529 0.013233598 9.61062 0.008201
15.95164665 1.010030929 8.420767 0.750517
Berdasarkan hasil di atas, dapat diketahui bahwa MSE dan MAPE model kedua
yaitu ARIMA ([14,17],1,0) lebih kecil dari ARIMA ([14],1,[17]). Sehingga model
terbaik dari saham mingguan Jaya Agra Wattie Tbk, PT (JAWA) pada tanggal 1 Januari
2013 sampai dengan 31 Desember 2014 adalah ARIMA ([14,17],1,0).
Dengan hasil peramalan untuk satu bulan ke depan pada bulan Januari 2015
saham mingguan Jaya Agra Wattie Tbk, PT (JAWA) adalah sebagai berikut.
Tabel 8. Forecast Saham Jaya Agra Wattie Tbk, PT (JAWA) untuk Bulan Januari 2015
Observasi Forecast Lower Upper
106 377,3127 363,4003 391,2251
107 376,7982 357,123 396,4733
108 373,7851 349,688 397,8821
109 375,3226 347,4977 403,1475
2. PP London Sumatera Indonesia Tbk, PT (LSIP)
Time Series Plot
2600
2400
2200
2000
1800
1600
1400
1200
1000
1 10 20 30 40 50 60 70 80 90 100
Index
1.0 1.0
0.8 0.8
0.6 0.6
Partial Autocorrelation
0.4 0.4
Autocorrelation
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
2 4 6 8 10 12 14 16 18 20 22 24 2 4 6 8 10 12 14 16 18 20 22 24
Lag Lag
Lower CL 0.73
130 Upper CL 2.74
110
StDev
100
90
80
70
Limit
60
-5.0 -2.5 0.0 2.5 5.0
Lambda
Berdasaarkan hasil uji ADF test di atas, dapat diketahui bahwa p-value sebesar
0,3663 ( gagal tolak H0) pada taraf signifikansi 5%. Sehingga dapat disimpulkan bahwa
data saham mingguan PP London Sumatera Indonesia Tbk, PT (LSIP) pada tanggal 1
Januari 2013 sampai dengan 31 Desember 2014 belum stasioner dalam mean sehingga
perlu dilakukan differencing. Berikut adalah uji ADF setelah data didefferencing.
Uji Hipotesis :
H0 : data stasioner dalam mean
H1 : data tidak stasioner dalam mean
Augmented Dickey-Fuller Test
data: data
Dickey-Fuller = -5.1841, Lag order = 4, p-value = 0.01
alternative hypothesis: stationary
Berdasaarkan hasil uji ADF test di atas, dapat diketahui bahwa p-value sebesar
0,01 ( tolak H0) pada taraf signifikansi 5%. Sehingga dapat disimpulkan bahwa data
saham mingguan PP London Sumatera Indonesia Tbk, PT (LSIP) pada tanggal 1 Januari
2013 sampai dengan 31 Desember 2014 sudah stasioner dalam mean setelah
didefferencing 1 kali.
Berikut adalah time series plot, ACF dan PACF data saham mingguan PP
London Sumatera Indonesia Tbk, PT (LSIP) pada tanggal 1 Januari 2013 sampai
dengan 31 Desember 2014 yang sudah stasioner dalam mean maupun varians.
300
200
100
-100
-200
-300
1 10 20 30 40 50 60 70 80 90 100
Index
(with 5% significance limits for the autocorrelations) (with 5% significance limits for the partial autocorrelations)
1.0 1.0
0.8 0.8
0.6 0.6
Partial Autocorrelation
0.4 0.4
Autocorrelation
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
2 4 6 8 10 12 14 16 18 20 22 24 2 4 6 8 10 12 14 16 18 20 22 24
Lag Lag
Gambar 8. Time series Plot, ACF dan PACF LSIP setelah stasioner
Berdasarkan time series plot di atas dapat diketahui bahwa data sudah stasioner.
Sehingga untuk mengetahui model ARIMA dari saham mingguan PP London Sumatera
Indonesia Tbk, PT (LSIP) pada tanggal 1 Januari 2013 sampai dengan 31 Desember
2014 adalah dengan melihat ACF dan PACF Gambar 8. Dengan melihat ACF dan
PACF dapat diketahui bahwa ACF keluar pada lag 5 sedangkan PACF keluar pada lag
5. Sehingga ada beberapa alternative model ARIMA subset yang dapat dibentuk.
Berikut adalah alternative model yang sudah memenuhi asumsi berdistribusi normal dan
white noise.
Alternatif 1 : ARIMA (0,1,[5])
Tabel 9. Uji Parameter Signifikansi Model ARIMA (0,1,[15])
Parameter Estimate T value P-value lag
MA 1,1 0,19298 1,92 0,055 5
Berdasarkan uji parameter pada Tabel 9, dapat diketahui bahwa parameter sudah
signifikan karena p-value dari parameter kurang dari taraf signifikansi alfa 0,1.
Selanjutnya adalah uji residual white noise dan berdistribusi normal.
Tabel 10. Uji Residual White Noise ARIMA (0,1,[5])
Lag Chi-square Df P-value
6 5,48 6 0,3596
12 7,74 12 0,7361
18 12,05 18 0,7974
24 18,00 24 0,7574
Berdasarkan Tabel 10, dapat diketahui bahwa model ARIMA (0,1,[5]) sudah
memenuhi asumsi white noise. Hal tersebut terbukti dari p-value lebih dari 0,05 pada
lag 6,12,18 dan 24. Sedangkan uji distribusi normal dari residual adalah sebagai berikut.
Tabel 11. Uji Residual Distribusi Normal ARIMA (0,1,[5])
Test Statistic p-value
Kolmogorov Smirnov 0,079958 0,1153
Dengan uji hipotesis :
H0 : Residual berdistribusi normal
H1 : Residual tidak berdistribusi normal
Berdasarkan Tabel 11, dapat diketahui bahwa p-value = 0,1153 atau lebih besar
dari alfa 5% maka gagal tolak H0. Sehingga dapat disimpulkan bahwa residual dari
model ARIMA (0,1,[5]) berdistribusi normal.
Alternatif 2 : ARIMA ([5],1,0)
Tabel 12. Uji Parameter Signifikansi Model ARIMA ([5],1,0)
Parameter Estimate T value P-value lag
AR 1,1 -0,2327 -2,36 0,0184 5
Berdasarkan uji parameter di atas, dapat diketahui bahwa parameter sudah
signifikan karena p-value dari parameter kurang dari taraf signifikansi alfa 0,05.
Selanjutnya adalah uji residual white noise dan berdistribusi normal.
Tabel 13. Uji Residual White Noise ARIMA ([5],1,0)
Lag Chi-square Df P-value
6 5,84 6 0,3224
12 7,30 12 0,7742
18 11,74 18 0,8159
24 18,28 24 0,7419
Berdasarkan Tabel 13, dapat diketahui bahwa model ARIMA ([5],1,0) sudah memenuhi
asumsi white noise. Hal tersebut terbukti dari p-value lebih dari 0,05 pada lag 6,12,18 dan 24.
Sedangkan uji distribusi normal dari residual adalah sebagai berikut.
Tabel 14. Uji Residual Distribusi Normal ARIMA ([5],1,0)
Test Statistic p-value
Anderson Darling 0,477087 0,2382
Dengan uji hipotesis :
H0 : Residual berdistribusi normal
H1 : Residual tidak berdistribusi normal
Berdasarkan Tabel 14, dapat diketahui bahwa p-value = 0,2382 atau lebih besar
dari alfa 5% maka gagal tolak H0. Sehingga dapat disimpulkan bahwa residual dari
model ARIMA ([5],1,0) berdistribusi normal.
Pemilihan Model Terbaik
Dari kedua alternative model yang telah diperoleh maka dengan memggunakan
kriteria out sampel dapat dipilih model terbaik.
Tabel 15. Perhitungan MSE dan MAPE
asli alternatif 1 alternatif 2 MSE 1 MAPE 1 MSE 2 MAPE 2
1945 2037.4973 2037.799 8555.751 0.047556 8611.562 0.047711
1925 2035.8846 2036.635 12295.39 0.057602 12462.37 0.057992
1875 2009.3656 2004.057 18054.11 0.071662 16655.71 0.06883
1890 2019.2607 2015.692 16708.33 0.068392 15798.48 0.066504
13903.4 6.13031 13382.03 6.025941
Berdasarkan hasil di atas, dapat diketahui bahwa MSE dan MAPE model kedua
yaitu ARIMA ([5],1,0) lebih kecil dari ARIMA ([0,1,[5]). Sehingga model terbaik dari
saham mingguan PP London Sumatera Indonesia Tbk, PT (LSIP) pada tanggal 1 Januari
2013 sampai dengan 31 Desember 2014 adalah ARIMA ([14,17],1,0).
Dengan hasil peramalan untuk satu bulan ke depan pada bulan Januari 2015
saham mingguan PP London Sumatera Indonesia Tbk,PT (LSIP) adalah sebagai berikut.
Tabel 16. Forecast untuk Bulan Januari 2015
Observasi Forecast Lower Upper
106 1880,7742 1692,4091 2069,1394
107 1899,2258 1632,8372 2165,6143
108 1903,8387 1577,5806 2230,0967
109 1915,3709 1538,6406 2292,1012
1250
1000
750
500
1 10 20 30 40 50 60 70 80 90 100
Index
1.0 1.0
0.8 0.8
0.6 0.6
Partial Autocorrelation
0.4 0.4
Autocorrelation
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
2 4 6 8 10 12 14 16 18 20 22 24 2 4 6 8 10 12 14 16 18 20 22 24
Lag Lag
200
100
Limit
0
-5.0 -2.5 0.0 2.5 5.0
Lambda
200000
150000
100000 Limit
-2 -1 0 1 2 3 4 5
Lambda
Berdasaarkan hasil uji ADF test di atas, dapat diketahui bahwa p-value sebesar
0,9104 ( gagal tolak H0) pada taraf signifikansi 5%. Sehingga dapat disimpulkan bahwa
data saham mingguan BW Plantation Tbk, PT (BWPT) pada tanggal 1 Januari 2013
sampai dengan 31 Desember 2014 belum stasioner dalam mean sehingga perlu
dilakukan differencing. Berikut adalah uji ADF setelah data didefferencing.
Uji Hipotesis :
H0 : data stasioner dalam mean
H1 : data tidak stasioner dalam mean
Berdasaarkan hasil uji ADF test di atas, dapat diketahui bahwa p-value sebesar
0,0131 ( tolak H0) pada taraf signifikansi 5%. Sehingga dapat disimpulkan bahwa data
saham mingguan BW Plantation Tbk, PT (BWPT) pada tanggal 1 Januari 2013 sampai
dengan 31 Desember 2014 sudah stasioner dalam mean setelah didefferencing 1 kali.
Berikut adalah time series plot, ACF dan PACF data saham mingguan BW
Plantation Tbk, PT (BWPT) pada tanggal 1 Januari 2013 sampai dengan 31 Desember
2014 yang sudah stasioner dalam mean maupun varians.
500000
250000
-250000
-500000
-750000
1 10 20 30 40 50 60 70 80 90 100
Index
1.0 1.0
0.8 0.8
0.6 0.6
Partial Autocorrelation
0.4 0.4
Autocorrelation
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
2 4 6 8 10 12 14 16 18 20 22 24 2 4 6 8 10 12 14 16 18 20 22 24
Lag Lag
1200
1100
1000
900
800
700
600
1 10 20 30 40 50 60 70 80 90 100
Index
1.0 1.0
0.8 0.8
0.6 0.6
Partial Autocorrelation
0.4 0.4
Autocorrelation
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
2 4 6 8 10 12 14 16 18 20 22 24 2 4 6 8 10 12 14 16 18 20 22 24
Lag Lag
StDev
32
30
28 Limit
Lower CL *
0.0322 Upper CL *
0.0321
0.0320
0.0319
-5.0 -2.5 0.0 2.5 5.0
Lambda
Berdasaarkan hasil uji ADF test di atas, dapat diketahui bahwa p-value sebesar
0,4156 ( gagal tolak H0) pada taraf signifikansi 5%. Sehingga dapat disimpulkan bahwa
data saham mingguan Salim Ivomas Pratama Tbk, PT (SIMP) pada tanggal 1 Januari
2013 sampai dengan 31 Desember 2014 belum stasioner dalam mean sehingga perlu
dilakukan differencing. Berikut adalah uji ADF setelah data didefferencing.
Uji Hipotesis :
H0 : data stasioner dalam mean
H1 : data tidak stasioner dalam mean
Berdasaarkan hasil uji ADF test di atas, dapat diketahui bahwa p-value sebesar
0,01 ( tolak H0) pada taraf signifikansi 5%. Sehingga dapat disimpulkan bahwa data
saham mingguan Salim Ivomas Pratama Tbk, PT (SIMP) pada tanggal 1 Januari 2013
sampai dengan 31 Desember 2014 sudah stasioner dalam mean setelah didefferencing 1
kali.
Berikut adalah time series plot, ACF dan PACF data saham mingguan Salim
Ivomas Pratama Tbk, PT (SIMP) pada tanggal 1 Januari 2013 sampai dengan 31
Desember 2014 yang sudah stasioner dalam mean maupun varians.
0.2
0.1
0.0
-0.1
-0.2
1 10 20 30 40 50 60 70 80 90 100
Index
(with 5% significance limits for the autocorrelations) (with 5% significance limits for the partial autocorrelations)
1.0 1.0
0.8 0.8
0.6 0.6
Partial Autocorrelation
0.4 0.4
Autocorrelation
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
2 4 6 8 10 12 14 16 18 20 22 24 2 4 6 8 10 12 14 16 18 20 22 24
Lag Lag
Gambar 19. Time Series Plot, ACF dan PACF SIMP setelah Stasioner
Berdasarkan time series plot pada Gambar 19, dapat diketahui bahwa data sudah
stasioner. Sehingga untuk mengetahui model ARIMA dari saham mingguan Salim
Ivomas Pratama Tbk, PT (SIMP) pada tanggal 1 Januari 2013 sampai dengan 31
Desember 2014 adalah dengan melihat ACF dan PACF Gambar 19. Dengan melihat
ACF dan PACF dapat diketahui bahwa ACF keluar pada lag 7 sedangkan PACF keluar
pada lag 7. Sehingga ada beberapa alternative model ARIMA subset yang dapat
dibentuk. Berikut adalah alternative model yang sudah memenuhi asumsi berdistribusi
normal dan white noise.
Alternatif 1 : ARIMA ([7],1,0)
Tabel 25. Uji Parameter Signifikansi Model ARIMA ([7],1,0)
Parameter Estimate T value P-value lag
AR 1,1 -0,25362 -2,58 0,0098 7
Berdasarkan uji parameter pada Tabel 25, dapat diketahui bahwa parameter
sudah signifikan karena p-value dari masing-masing parameter kurang dari taraf
signifikansi alfa 0,05. Selanjutnya adalah uji residual white noise dan berdistribusi
normal.
Tabel 26. Uji Residual White Noise ARIMA ([7],1,0)
Lag Chi-square Df P-value
6 5,49 6 0,3590
12 10,76 12 0,4636
18 12,60 18 0,7628
24 16,93 24 0,8126
Berdasarkan Tabel 26, dapat diketahui bahwa model ARIMA ([7],1,0) sudah
memenuhi asumsi white noise. Hal tersebut terbukti dari p-value lebih dari 0,05 pada
lag 6,12,18 dan 24. Sedangkan uji distribusi normal dari residual adalah sebagai berikut.
Tabel 27. Uji Residual Distribusi Normal ARIMA ([7],1,0)
Test Statistic p-value
Kolmogorov Smirnov 0,085729 0,0706
Dengan uji hipotesis :
H0 : Residual berdistribusi normal
H1 : Residual tidak berdistribusi normal
Berdasarkan Tabel 27, dapat diketahui bahwa p-value = 0,0706 atau lebih besar
dari alfa 5% maka gagal tolak H0. Sehingga dapat disimpulkan bahwa residual dari
model ARIMA ([7],1,0) berdistribusi normal.
Alternatif 2 : karena tidak ada alternative model ARIMA lainnya yang
memenuhi asumsi residual berdistribusi normal dan white noise, maka
alternative model yang dipilih adalah dengan menggunakan metode double
exponensial smoothing karena ada tren. Berikut adalah hasil yang diperoleh
dengan menggunakan metode double exponensial smoothing.
Double Exponential Method
1300 Variable
Actual
Fits
1200 Forecasts
95.0% PI
1100
Smoothing Constants
Alpha (level) 0.966332
1000 Gamma (trend) 0.029385
Accuracy Measures
900 MAPE 3.71
MAD 31.94
800 MSD 1874.58
700
600
500
1 10 20 30 40 50 60 70 80 90 100
Index
1300 Variable
Actual
Fits
1200
Forecasts
95.0% PI
1100
Smoothing Constants
1000 Alpha (level) 0.987595
Gamma (trend) 0.015685
900 Accuracy Measures
MAPE 3.62
800 MAD 31.09
MSD 1808.87
700
600
500
400
1 11 22 33 44 55 66 77 88 99
Index
5000
4000
3000 smip
lsip
2000
bwpt
1000 Jawa
0
1/1/2013
3/1/2013
5/1/2013
7/1/2013
9/1/2013
1/1/2014
3/1/2014
5/1/2014
7/1/2014
9/1/2014
1/1/2015
11/1/2013
11/1/2014
Gambar 22. Data Saham 4 Perusahaan 2013-2014 dan Peramalan
Berdasarkan Gambar 22 di atas dapat diketahui harga saham ke empat
perusahaan yang berkembang di bidang pertanian, khususnya perkebunan pada tahun
2013 sampai dengan 2014 beserta hasil peramalannya pada Januari tahun 2015. Dari
keempat perusahaan. Salim Ivomas Pratama Tbk, PT (SIMP) memiliki harga saham
yang lebih tinggi dari pada tiga perusahaan lainnya. Salim Ivomas Pratama Tbk, PT
(SIMP), PP London Sumatera Indonesia Tbk PT (LSIP), BW Plantation Tbk, dan PT
(BWPT) memiliki pola yang hampir sama. Sedangkan Jaya Agra Wattie Tbk, PT
(JAWA) memiliki pola yang cenderung konstan namun harga sahamnya murah
(rendah). Pada Januari 2013 sampai Agustus 2013, secara umum memiliki pola tren
turun. Pada September 2013 naik kembali sampai Mei 2014 hingga Juni, namun sedikit
turun pada awal tahun 2014. Pada Juli 2014 mulai turun hingga September 2014 dan
cenderung konstan sampai November. Namun sedikit mengalami penurunan pada
November 2014 yang diduga disebabkan adanya kenaikan BBM. Sedangkan hasil
peramalannya menunjukkan hasil yang cenderung konstan (yang nilai sahamnya hampir
sama dengan Desember 2014.
Laporan Keuangan :
Jaya Agra Wattie Tbk, PT (JAWA)
Tabel 30. Perbandingan Aset bulan Desember 2013 dengan Juni 2014
Aset September 2014 Desember 2013
Aset lancar
Kas dan setara kas 68.428.674.920 85.976.108.463
piutang dan lain-lain 31.276.179.805 29.257.440.048
piutang plasma 7.710.901.697 7.205.482.874
persediaan 9.155.992.762 5.368.500.351
pajak dibayar dimuka 61.665.990.561 86.573.748.467
uang muka dan biaya dibayar dimuka 35.060.742.012 29.607.933.545
total aset lancar 12.839.545.155 12.013.651.059
Berdasarkan Tabel 30, dapat diketahui bahwa asset lancar Jaya Agra Wattie
Tbk, PT (JAWA) mengalami kenaikan yang cukup tinggi. Kas dan setara kas juga
mengalami kenaikan. Sedangkan piutang perusahaan turun. Piutang plasma mengalami
penurunan yang cukup tinggi. Namun untuk persediaan pada Juni 2014 lebih kecil dari
Desember 2013. Pajak yang dibayar di muka lebih kecil begitu juga dengan uang muka
dan biaya dibayar dimuka. Sedangkan berdasarkan total asset lancar pada bulan Juni
2014 lebih besar dari Desember 2013. Hal ini membuktikan bahwa perusahaan dalam
kondisi yang lebih baik dari tahun sebelumnya (2013).
Salim Ivomas Pratama Tbk, PT (SIMP)
Tabel 31. Perbandingan Aset bulan Desember 2013 dengan September 2014
Aset September 2014 Desember 2013
Aset lancar
Kas dan setara kas 2.206.004 2.112.822
Piutang usaha
Pihak berelasi 378.654 338.942
Pihak ketiga 451.897 537.458
piutang dan lain-lain-pihak ketiga 246.142 253.442
Persediaan 2.327.226 1.568.496
pajak dibayar dimuka 252.043 134.074
Uang muka pemasok 145.072 260.203
Pembayaran di muka 66.990 28.045
Beban tanaman tebu ditangguhkan 95.387 119.787
total aset lancar 6.169.415 5.353.269
Berdasarkan Tabel 31, dapat diketahui bahwa asset lancar Salim Ivomas
Pratama Tbk, PT (SIMP) total asset lancar pada bulan September 2014 lebih besar dari
Desember 2013. Hal ini membuktikan bahwa perusahaan pada 2014 dalam kondisi yang
lebih baik dari tahun sebelumnya (2013).
PP London Sumatera Indonesia Tbk PT (LSIP)
Tabel 32. Perbandingan Aset bulan Desember 2013 dengan September 2014
Aset September 2014 Desember 2013
Aset lancer
Kas dan setara kas 1.384.390 1.401.395
Piutang usaha-pihak ketiga 27.288 91.935
Piutang lain-lain
Pihak berelasi 38.775 5.772
Pihak ketiga 18.287 19.089
Persediaan 447.890 374.485
pajak dibayar dimuka 16 75.956
Uang muka 26.121 22.284
Biaya dibayar di muka 18.720 8.210
total aset lancar 1.961.487 1.999.126
Berdasarkan Tabel 32, dapat diketahui bahwa asset lancar PP London Sumatera
Indonesia Tbk PT (LSIP) total asset lancar pada bulan September 2014 lebih kecil dari
Desember 2013. Hal ini membuktikan bahwa perusahaan pada 2014 dalam kondisi yang
tidak lebih baik dari tahun sebelumnya (2013).
BW Plantation Tbk, dan PT (BWPT)
Tabel 33. Perbandingan Aset bulan Desember 2013 dengan Januari 2014
Aset September 2014 Desember 2013
Aset lancar
Kas 71.586.937 68.243.793
Piutang usaha-pihak ketiga 13.170.335 25.149.845
Piutang lain-lain-pihak ketiga 3.728.676 3.132.959
Persediaan 239.634.436 159.460.820
pajak dibayar dimuka 26.176.669 12.160.649
Biaya dibayar di muka 3.403.860 4.569.339
Aset lancar lain-lain 38.415.689 46.317.551
total aset lancar 396.116.602 319.034.956
Berdasarkan Tabel 33, dapat diketahui bahwa asset lancar total asset lancar BW
Plantation Tbk, dan PT (BWPT) pada bulan September 2014 lebih besar dari Desember
2013. Hal ini membuktikan bahwa perusahaan pada 2014 dalam kondisi yang lebih baik
dari tahun sebelumnya (2013).
Tabel 34. Perbandingan Laba Usaha bulan Desember 2013 dengan Januari 2014
2014 2013
Pendapatan Usaha 1.025.340.802 786.105.004
Beban pokok penjualan 589.228.949 440.813.297
Laba kotor 436.111.853 345.291.707
Beban usaha
Penjualan 13.530.092 11.678.874
Umum dan administrasi 155.076.173 138.603.047
Jumlah beban usaha 168.606.265 150.281.921
Laba Usaha 267.505.588 195.009.786
Berdasarkan Tabel 34, dapat diketahui bahwa laba usaha pada bulan September
2014 lebih besar dari Desember 2013 pada BW Plantation Tbk, dan PT (BWPT). Hal ini
membuktikan bahwa perusahaan pada 2014 dalam kondisi yang lebih baik dari tahun
sebelumnya (2013).