Kelas A

LAPORAN PRAKTIKUM
Analisis Runtun Waktu
Modul 1 : Moving Average

Nomor Tanggal Tanda Tangan

Nama Praktikan Praktikan
Mahasiswa Kumpul

Nisa Ummaroh F.S. 3 Oktober

17611066
2019

Tanda tangan
Nama Penilai Tanggal Koreksi Nilai
Asisten Dosen
Dhinda Seftiyani Budi Utari
Syinta Nuri Masyita

Arum Handini Primandani,S.Pd.Si.,M.Si.

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2019
Daftar Isi

Daftar Isi.................................................................................................................. 2
Daftar Gambar ......................................................................................................... 3
1 Pendahuluan .................................................................................................... 4
1.1 Pengertian Moving Average ..................................................................... 4
1.1.1 Pengertian Single Moving Average .................................................. 5
1.1.2 Pengertian Double Moving Average ................................................. 5
1.1.3 Pengertian Weighted Moving Average ............................................. 6
1.1.4 Pengertian Exponential Moving Average ......................................... 7
2 Deskripsi Kerja................................................................................................ 8
2.1 Studi Kasus ............................................................................................... 8
2.2 Langkah Kerja .......................................................................................... 8
3 Pembahasan ................................................................................................... 13
4 Penutup.......................................................................................................... 18
4.1 Kesimpulan ............................................................................................. 18
5 Daftar Pustaka ............................................................................................... 19

2
Daftar Gambar

Gambar 2.1. Kode finansial saham PT Unilever Indonesia Tbk ........................... 8

Gambar 2.2. Tampilan Awal R Studio ................................................................... 9
Gambar 2.3. mengaktifkan package TTR dan quantmod ...................................... 9
Gambar 2.4. menginput data saham PT Unilever Indonesia Tbk ......................... 9
Gambar 2.5. View data saham ............................................................................. 10
Gambar 2.6. Data saham PT Unilever Indonesia Tbk ........................................ 10
Gambar 2.7. Data saham adjusted ...................................................................... 10
Gambar 2.8. Simple Moving Average .................................................................. 11
Gambar 2.9. View Simple Moving Average ......................................................... 11
Gambar 2.10. Plot data actual dengan data SMA 10 .......................................... 11
Gambar 2.11. Weighted Moving Average ............................................................ 11
Gambar 2.12. View Weighted Moving Average ................................................... 11
Gambar 2.13. Plot data actual, SMA 10, dan WMA 10....................................... 12
Gambar 2.14. Exponential Moving Average ....................................................... 12
Gambar 2.15. View Exponential Moving Average .............................................. 12
Gambar 2.16. Plot data actual, SMA 10, dan EMA 10 ....................................... 12
Gambar 3.1. nilai SMA ........................................................................................ 13
Gambar 3.2. Mengecek nilai SMA ...................................................................... 13
Gambar 3.3. Membandingkan plot data actual dengan SMA(10) ....................... 14
Gambar 3.4. nilai WMA ....................................................................................... 14
Gambar 3.5. Pengecekan nilai WMA................................................................... 15
Gambar 3.6. Membandingkan plot data actual, SMA(10) dan WMA(10) ........... 15
Gambar 3.7. nilai EMA ........................................................................................ 16
Gambar 3.8. Membandingkan plot data actual, SMA(10) dan EMA(10) ............ 17
Gambar 3.9. Membandingkan nilai MSE SMA(10), WMA(10) dan EMA(10) .... 17

3
1 Pendahuluan

1.1 Pengertian Moving Average

Moving Average atau dalam bahasa Indonesia disebut dengan Rata-rata

Bergerak adalah salah satu metode peramalan bisnis yang sederhana dan sering
digunakan untuk memperkirakan kondisi pada masa yang akan datang dengan
menggunakan kumpulan data-data masa lalu (data-data historis). Dalam
Manajemen Operasi dan Produksi, kumpulan data disini dapat berupa volume
penjualan dari historis perusahaan. Periode waktu kumpulan data tersebut dapat
berupa Tahunan, Bulanan, Mingguan bahkan Harian. Metode Peramalan Moving
Average ini sering digunakan dalam peramalan bisnis seperti peramalan permintaan
pasar (demand forecasting), analisis teknikal pergerakan saham dan forex serta
memperkirakan tren-tren bisnis di masa yang akan datang.
Pada dasarnya, Pengertian Moving Average atau Rata-rata bergerak adalah
metode peramalan yang menghitung rata-rata suatu nilai runtut waktu dan
kemudian digunakan untuk memperkirakan nilai pada periode selanjutnya. Moving
Average atau Rata-rata Bergerak diperoleh melalui penjumlahan dan pencarian
nilai rata-rata dari sejumlah periode tertentu, kemudian menghilangkan nilai
terlamanya dan menambah nilai baru.
Metode Moving Average ini lebih baik digunakan untuk menghitung data
yang bersifat stabil atau data yang tidak berfluktuasi dengan tajam (data yang
perubahan naik dan turunnya sangat drastis). Hal ini dikarenakan data pada setiap
periode diberikan bobot yang sama sehingga tidak dapat mewakilkan periode-
periode tertentu yang bersifat khusus ataupun data periode terakhir yang biasanya
dinilai sebagai data yang terbaik dalam mengambarkan kondisi terkini. Oleh karena
itu, munculah Metode-metode Moving Average yang lain untuk mencoba
mengatasinya, metode moving average yang lain diantaranya adalah Metode
Weighted Moving Average (Rata-rata Bergerak Berbobot) atau disingkat dengan
WMA dan Metode Exponential Smoothing (Metode Penghalusan Bertingkat).

4
 Sedangkan Metode Moving Average yang sederhana ini sering disebut
dengan Simple Moving Average atau disingkat dengan SMA. (po, 2018)

1.1.1 Pengertian Single Moving Average

Rata-rata bergerak tunggal (Single Moving Average) adalah suatu metode

peramalan yang dilakukan dengan mengambil sekelompok nilai pengamatan,
mencari nilai rata-rata tersebut sebagai ramalan untuk periode yang akan datang.
Metode Single Moving Average mempunyai karakteristik khusus yaitu :
1. Untuk menentukan ramalan pada periode yang akan datang memerlukan data
historis selama jangka waktu tertentu. Misalnya, dengan 3 bulan moving average,
maka ramalan bulan ke 5 baru dibuat setelah bulan ke 4 selesai/berakhir. Jika
bulan moving averages bulan ke 7 baru bisa dibuat setelah bulan ke 6 berakhir.
2. Semakin panjang jangka waktu moving average, efek pelicinan semakin terlihat
dalam ramalan atau menghasilakan moving average yang semakin halus.
Persamaan matematis single moving average adalah sebagai berikut.

Dimana:
Ft+1 = Ramalan untuk periode t+1
yi = Nilai Riil periode ke t
t = Banyaknya data
k = Orde
(zona statistik, 2015)

1.1.2 Pengertian Double Moving Average

Rata-rata bergerak kedua merupakan salah satu metode dalam moving

average yang menggunakan data single moving average pada waktu tertentu
dengan penyesuaian antara single moving average - double moving average serta
penyesuaian trend. Prosedur moving average terjadi dua kali sehingga

5
disebut double moving average. Adapun langkah yang dilakukan anatara lain
sebagai berikut.
1. Menghitung rata-rata bergerak pertama

2. Menghitung rata-rata bergerak kedua

3. Menentukan besarnya nilai konstanta, slope, dan peramalan

(zona statistik, 2015)

1.1.3 Pengertian Weighted Moving Average

Metode peramalan 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. 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 dibangkan periode awal. Semakin panjang periode yang
ditetapkan, maka semakin besar pula pembobotan yang diberikan kepada data yang
terbaru. (2015)

6
1.1.4 Pengertian Exponential Moving Average

Exponential Moving Average (EMA) adalah jenis Moving Average (MA)

yang menempatkan bobot lebih besar dan signifikansi pada titik data terbaru. Rata-
rata bergerak eksponensial juga disebut sebagai rata-rata bergerak tertimbang
secara eksponensial. Rata-rata bergerak tertimbang secara eksponensial bereaksi
lebih signifikan terhadap perubahan harga saat ini daripada pergerakan
sederhana Simple Moving Average (SMA), yang menerapkan bobot yang sama
untuk semua pengamatan dalam periode tersebut. EMA biasanya digunakan
bersama dengan indikator lain untuk mengkonfirmasi pergerakan pasar yang
signifikan dan untuk mengukur validitasnya. Untuk pedagang yang berdagang
intraday dan pasar yang bergerak cepat, EMA lebih berlaku. Cukup sering,
pedagang menggunakan EMA untuk menentukan bias perdagangan. Misalnya, jika
EMA pada grafik harian menunjukkan tren kenaikan yang kuat, strategi trader
intraday mungkin hanya berdagang dari sisi panjang pada grafik intraday. (anwar,
2019)

7
2 Deskripsi Kerja

2.1 Studi Kasus

Pada bab sebelumnya, praktikan telah menjelaskan beberapa pengertian dari

Moving Average serta beberapa pengertian dari Simple Moving Average (SMA),
Weighted Moving Average (WMA), dan Exponential Moving Average(EMA).
Pada bab ini praktikan akan menyelesaikan studi kasus dengan menggunakan
Software R Studio.
Berikut studi kasus lengkapnya :
1. Pilih satu saham dan carilah kode finansial saham tersebut melalui
www.finance.yahooo.com Unduh harga historis saham tersebut dalam
kurun waktu satu tahun.
2. Lakukan analisis data menggunakan SMA, WMA, dan EMA. Tentukan
panjang periodenya.

2.2 Langkah Kerja

1. Langkah pertama, praktikan akan mencari kode finansial dari salah satu saham
yaitu saham di PT Unilever Indonesia Tbk melalui www.finance.yahoo.com.
Berikut tampilannya pada Gambar 2.1.

Gambar 2.1. Kode finansial saham PT Unilever Indonesia Tbk

2. Kemudian, buka R Studio terlebih dahulu dengan cari shortcut R Studio pada
layar dekstop, atau masuk lewat tombol start, lalu pilih All programs, kemudian
pilih R Studio for windows. Berikut tampilan awalnya.

8
 Gambar 2.2. Tampilan Awal R Studio
3. Setelah membuka R Studio, langkah pertama yang praktikan lakukan yaitu,
mengaktifkan package yang sudah diinstall sebelumnya yaitu package TTR dan
quantmod dengan menggunakan perintah library Berikut tampilan
syntaksnya pada Gambar 2.3.

Gambar 2.3. mengaktifkan package TTR dan quantmod

4. Setelah berhasil mengaktifkan package TTR dan quantmod, praktikan dapat

menginput data saham dari PT Unilever Indonesia Tbk dalam kurun waktu satu
tahun ke dalam R studio dengan menggunakan perintah getSymbols diikuti
dengan kode finansial saham yang sudah dicari sebelumnya serta rentang waktu
dalam satu tahun. Berikut tampilan syntaksnya pada Gambar 2.4.

Gambar 2.4. menginput data saham PT Unilever Indonesia Tbk

9
5. Untuk memastikan apakah data sudah berhasil sudah diinput gunakan perintah
View untuk menampilkan data saham tersebut. Berikut tampilan syntaksnya
pada Gambar 2.5.

Gambar 2.5. View data saham

6. Kemudian akan muncul jendela baru yang menampilkan keseluruhan data

saham dari PT Unilever Indonesia Tbk dalam kurun waktu satu tahun. Berikut
tampilannya pada Gambar 2.6.

Gambar 2.6. Data saham PT Unilever Indonesia Tbk

7. Lalu praktikan hanya akan mengambil data saham pada variabel adjusted saja.
Berikut tampilannya pada Gambar 2.7.

Gambar 2.7. Data saham adjusted

10
8. Kemudian praktikan akan menghitung nilai SMA dengan panjang periode 10
dengan syntaks SMA (data, n=10) Dan membuat suatu data frame yang
terdiri dari kolom data actual dan data hasil SMA (10). Berikut tampilannya
pada Gambar 2.8.

Gambar 2.8. Simple Moving Average

9. Lalu untuk melihat hasil data SMA (10) gunakan perintah View diikuti dengan
nama data frame yang sudah dibuat sebelumnya. Berikut tampilannya.

Gambar 2.9. View Simple Moving Average

10. Praktikan juga akan membuat sebuah plot untuk membandingkan plot data
actual dengan data SMA 10. Berikut tampilan syntaks nya.

Gambar 2.10. Plot data actual dengan data SMA 10

11. Setelah itu praktikan akan menghitung nilai WMA dengan panjang periode 10
dengan syntaks WMA(data, n=10, wts = 1:10) dan buat satu data frame
yang terdiri dari data actual, SMA 10, dan WMA 10. Berikut tampilannya.

Gambar 2.11. Weighted Moving Average

12. Lalu untuk melihat hasil data WMA (10) gunakan perintah View diikuti dengan
nama data frame yang sudah dibuat sebelumnya. Berikut tampilannya.

Gambar 2.12. View Weighted Moving Average

11
13. Praktikan juga akan membuat sebuah plot untuk membandingkan plot data
actual, data SMA 10, dan data WMA 10. Berikut tampilan syntaks nya.

Gambar 2.13. Plot data actual, SMA 10, dan WMA 10

14. Terakhir praktikan akan menghitung nilai EMA dengan panjang periode 10
dengan syntaks EMA(data, n=10) dan buat satu data frame yang terdiri dari
data actual, SMA 10, dan EMA 10. Berikut tampilannya.

Gambar 2.14. Exponential Moving Average

15. Lalu untuk melihat hasil data EMA (10) gunakan perintah View diikuti dengan
nama data frame yang sudah dibuat sebelumnya. Berikut tampilannya.

Gambar 2.15. View Exponential Moving Average

16. Praktikan juga akan membuat sebuah plot untuk membandingkan plot data
actual, data SMA 10, dan data EMA 10. Berikut tampilan syntaks nya.

Gambar 2.16. Plot data actual, SMA 10, dan EMA 10

Begitulah langkah-langkah kerja dari mencari nilai SMA, WMA, dan EMA dari
saham PT Unilever Indonesia Tbk dalam kurun waktu satu tahun dengan panjang
periode 10.

12
3 Pembahasan

Pada bab ini, praktikan akan menjelaskan lebih rinci dari langkah-langkah
kerja yang sudah dilakukan serta menjelaskan output yang telah didapatkan dari R
Studio.
Pada studi kasus praktikan akan menghitung nilai SMA, WMA, dan EMA dan
akan menganalisisnya. Pertama nilai dari SMA terlebih dahulu. Berikut akan
praktikan tampilkan output dari nilai SMA dengan panjang periode 10 yang
didapatkan. Berikut tampilannya pada Gambar 3.1.

Gambar 3.1. nilai SMA

Gambar 3.2. Mengecek nilai SMA

Dari Gambar 3.1. dan Gambar 3.2. dapat dilihat bahwa didapatkan nilai
SMA sebesar 43429.19. nilai SMA ini sebenarnya didapat dari nilai rata-rata 10
data pertama. Kenapa 10 data pertama? karena praktikan memilih panjang
periodenya 10. Jadi nilai SMA pada periode 10 ini menginformasikan rata-rata data
actual penutupan selama 10 hari terakhir. Nilai SMA untuk periode n akan sama

13
dengan nilai data actual terakhir, jika rata-rata data actual untuk periode n, nilainya
sama dengan data actual yang terakhir. Kemudian akan praktikan tampilkan hasil
output plot untuk membandingkan plot data actual dengan data SMA 10 berikut
tampilannya

Gambar 3.3. Membandingkan plot data actual dengan SMA(10)

Berdasarkan output pada Gambar 3.3. diketahui bahwa garis yang

berwarna biru mewakili pergerakan data actual sedangkan garis yang berwarna
merah mewakili pergerakan data SMA (10). Sesuai denga fungsi utamanya, SMA
mampu menunjukkan arah ketika saham bergerak naik atau turun membentuk
sebuah trend yang sangat kuat. Dalam hal ini SMA dapat merepresentasikan
pergerakan saham yang sebenarnya.
Kedua praktikan akan menghitung nilai dari WMA. Berikut akan praktikan
tampilkan output dari nilai WMA dengan panjang periode 10 yang didapatkan.
Berikut tampilannya pada Gambar 3.4.

Gambar 3.4. nilai WMA

14
 Gambar 3.5. Pengecekan nilai WMA

Dari Gambar 3.4. dan Gambar 3.5. dapat dilihat bahwa didapatkan nilai
WMA sebesar 44161.79. Nilai WMA ini merupakan hasil dari rata-rata bergerak
yang dimana sudah diberikan bobot yang berbeda disetiap datanya. Kemudian akan
praktikan tampilkan hasil output plot untuk membandingkan plot data actual,data
SMA 10, dan WMA 10. Berikut tampilannya

Gambar 3.6. Membandingkan plot data actual, SMA(10) dan WMA(10)

Berdasarkan output pada Gambar 3.6. diketahui bahwa garis yang

berwarna biru mewakili pergerakan data actual sedangkan garis yang berwarna
merah mewakili pergerakan data SMA (10) dan yang berwarna hijau mewakili
pergerakan data WMA (10).
Terakhir praktikan akan menghitung nilai dari EMA. Berikut akan praktikan
tampilkan output dari nilai EMA dengan panjang periode 10 yang didapatkan.
Berikut tampilannya pada Gambar 3.7.

15
 Gambar 3.7. nilai EMA

Dari Gambar 3.7. dapat dilihat bahwa didapatkan nilai EMA sebesar
43429.19. Metode EMA menggunakan prinsip yang sama dengan SMA. Sehingga
interpretasi dalam penggunaannya juga sama. Formula EMA memberikan bobot
terhadap data actual yang diobservasinya. Nilai EMA menunjukkan nilai rata-rata
bergerak dari data actual yang diberi bobot sesuai dengan periodenya. Data actual
terakhir diberi bobot lebih besar dibanding data-data sebelumnya. Semakin jauh ke
belakang data yang digunakan, maka nilai pembobotan semakin kecil. Nilai
pembobotan dari formula EMA adalah (1-α).
Kemudian akan praktikan tampilkan hasil output plot untuk
membandingkan plot data actual,data SMA 10, dan EMA 10. Berikut tampilannya
pada Gambar 3.8.

16
 Gambar 3.8. Membandingkan plot data actual, SMA(10) dan EMA(10)

Berdasarkan output pada Gambar 3.8. diketahui bahwa garis yang

berwarna biru mewakili pergerakan data actual sedangkan garis yang berwarna
merah mewakili pergerakan data SMA (10) dan yang berwarna hijau mewakili
pergerakan data EMA (10). Faktor pembobot menyebabkan garis data actual
menjadi lebih dekat terhadap kurva EMA daripada kurva SMA.
Selanjutnya praktikan akan membandingkan nilai MSE (Mean Squared
Error) dari masing-masing metode Moving Average. Nilai MSE sendiri ini untuk
mengukur tingkat keakuratan suatu model peramalan. Berikut tampilan syntaks
beserta outputnya.

Gambar 3.9. Membandingkan nilai MSE SMA(10), WMA(10) dan EMA(10)

Berdasarkan output pada Gambar 3.9. diketahui bahwa nilai MSE dari
metode SMA(10) yaitu 976981, nilai MSE dari metode WMA yaitu sebesar
592620.7 dan terakhir nilai MSE dari metode EMA yaitu sebesar 750210.6. dari
ketiga metode diketahui nilai MSE yang paling kecil yaitu di metode WMA yang
berarti metode ini peramalannya lebih akurat daripada metode yang lainnya pada
data saham PT Unilever Indonesia Tbk.

17
4 Penutup

4.1 Kesimpulan

1. Berdasarkan hasil perhitungan yang dilakukan di R studio didapatkan nilai

SMA dengan panjang periode 10 yaitu sebesar 43429.19. Nilai SMA pada
periode 10 ini menginformasikan rata-rata data actual penutupan selama 10
hari terakhir.
2. Kemudian didapatkan nilai WMA dengan panjang periode 10 yaitu sebesar
44161.79. Nilai WMA ini merupakan hasil dari rata-rata bergerak yang
dimana sudah diberikan bobot yang berbeda disetiap datanya.
3. Terakhir nilai EMA yaitu sebesar 43429.19. Nilai EMA menunjukkan nilai
rata-rata bergerak dari data actual yang diberi bobot sesuai dengan
periodenya. Data actual terakhir diberi bobot lebih besar dibanding data-
data sebelumnya.
4. Berdasarkan hasil perhitungan nilai MSE yang dilakukan dari ketiga metode
tersebut, metode WMA memiliki nilai MSE yang paling kecil yaitu sebesar
592620.7 dibandingkan dengan SMA dan EMA yang memiliki nilai MSE
masing-masing sebesar 976981 dan 750210.6 yang berarti metode WMA
memiliki peramalan yang lebih akurat dari metode yang lainnya pada data
saham PT Unilever Indonesia Tbk.

18
5 Daftar Pustaka

(2015). Retrieved from

https://dspace.uii.ac.id/bitstream/handle/123456789/10204/05.3%20bab%
203.pdf?sequence=7&isAllowed=y
anwar, k. (2019, mei 10). forex indonesia. Retrieved from
https://forexindonesia.org/belajarforex/exponential-moving-average-
definisi-ema.html
po, b. (2018, januari 15). Retrieved from ilmu manajemen industri:
https://ilmumanajemenindustri.com/pengertian-moving-average-rata-rata-
bergerak-rumus-moving-average/
zona statistik. (2015). Retrieved from
http://zonastatistik.blogspot.com/2017/09/single-moving-average-double-
moving.html

19