SELAIN ANALISIS TEKNIKAL DAN FUNDAMENTAL, STATISTICAL ANALYSIS DAPAT

DIGUNAKAN UNTUK MERAMAL HARGA SAHAM

(Peramalam Harga Saham TLKM Menggunakan Metode Autoregressive Integrated Moving
Average (ARIMA))

M Zainul Abidin
Program Studi Statistika, Fakultas Sains dan Matematika
Universitas Brawijaya Jl. Veteran Lowokwaru Malang 65145
E-mail Addres : zainul.abidin2603@gmail.com

ABSTRAK
Peramalan adalah kegiatan untuk memprediksi apa yang mungkin terjadi di masa mendatang,
sedangkan ramalan adalah suatu kondisi yang diperkirakan akan terjadi pada masa yang akan datang.
Dalam penelitian ini dilakukan peramalan pada data harga close saham TLKM menggunakan metode
ARIMA untuk meramalkan harga saham TLKM dalam periode Agustus 2022 sampai Juli 2023. Data
dalam penelitian ini menggunakan data sekunder dari website Trading view. Obyek penelitian yang
digunakan sebanyak 103 data harga close saham TLKM yakni sejak Januari 2014 hingga Juli 2022.
Data dianalisis menggunakan bantuan program Minitab. Hasil penelitian mendapatkan model ARIMA
(0,2,1) sebagai model terbaik dalam meramalkan harga close saham TLKM dengan persamaan
modelnya adalah Zt = 2Zt−1 − Zt−2 + 0,04 + 0,9725𝛼𝑡−1 + 𝛼𝑡 . Nilai peramalan yang didapatkan
pada bulan Agustus 2022 sebesar 4.246, bulan September 2022 sebesar 4.263, bulan Oktober 2022
sebesar 4.280, bulan November 2022 sebesar 4.297, bulan Desember 2022 sebesar 4.314, bulan Januari
2023 sebesar 4.331, bulan Februari 2023 sebesar 4.348, bulan Maret 2023 sebesar 4.365, bulan April
2023 sebesar 4.382, bulan Mei 2023 sebesar 4.400, bulan Juni 2023 sebesar 4.417 dan bulan Juli 2023
sebesar 4.434. Berdasarkan hasil perbandingan antara hasil peramalan dengan hasil analisa teknikal
yakni keduanya menyimpulkan bahwa harga saham TLKM mendatang akan mengalami kenaikan
(uptrend).

Kata kunci : Peramalan, ARIMA, TLKM, Analisa Teknikal.

1. PENDAHULUAN
Latar Belakang
Seiring berjalannya waktu, teknologi dan ilmu pengetahuan mengalami kemajuan yang begitu
cepat, selaras dengan semakin tingginya tingkat peradaban manusia, dimana manusia sebagai subjek
sekaligus objek mempunyai tuntutan untuk memenuhi kebutuhan sesuai zaman. Seperti kehidupan yang
terus berjalan, begitu banyak hal yang sangat sukar untuk diterka secara tepat. Dalam hal ini,
perkembangan ilmu pengetahuan membawa sesuatu yang bersifat positif, dimana hasil yang bisa
digunakan yakni adanya perkembangan ilmu untuk meramal (forecast) kejadian dimasa mendatang
yang mungkin mempunyai peluang untuk meminimumkan kesalahan dalam meramal (forecast error)
di masa mendatang.
Peramalan tersendiri adalah proses untuk memperkirakan berapa kebutuhan dimasa mendatang
yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu, dan lokasi yang dibutuhkan dalam
rangka memenuhi permintaan barang atau jasa (A. H. Nasution, 1999). Dalam hal ini, meramal
memiliki peran yang sangat penting untuk manusia untuk meramal jawaban di masa mendatang dimana
kita dapat memikirkan solusinya di masa sekarang.
Pada penelitian kali ini, fokus peneliti yakni meramal harga saham TLKM dalam jangka
menengah. Mengingat bahwa memilih untuk mengambil keputusan antara membeli atau menjual bagi
trader adalah sesuatu yang tidak dapat dianggap hal yang mudah. Perlu adanya perhitungan yang
matang agar trader dapat mencapai tujuan awal saat melakukan sebuah pembelian atau penjualan
saham. Para trader saat ini telah terfasilitasi oleh beberapa fitur yang telah disediakan oleh platform
untuk mempermudah melakukan proses analisa secara teknikal maupun fundamental. Namun, alangkah
baiknya jika hasil dari kedua analisa tersebut dibandingkan dengan hasil analsa secara statistika.
Dengan adanya permasalahan tersebut, maka peneliti akan mencoba untuk meramal harga saham
TLKM dalam jangka pendek dengan menggunakan metode Autoregressive Integrated Moving Average
(ARIMA) menggunakan nilai masa lalu dan sekarang dari variabel dependen. Metode ini menggunakan
pendekatan iteratif dalam mengidentifikasi suatu model yang paling tepat dari semua kemungkinan
model yang ada dan model in dapat digunakan pada semua jenis data (Buchori, M dan Sukmono, T.
2018). Menurut penelitian yang telah dilakukan oleh Djoni Hatidja yang berjudu “Penerapan ARIMA
untuk Memprediksi Harga Saham pada PT. Telkom Tbk” dikatakan bahwa harga saham tidak jauh
berbeda antara kondisi data sebenarnya dengan hasil prediksi dengan menggunakan model ARIMA.
Dengan meramalkan harga saham TLKM nantinya dapat digunakan oleh para investor atau trader
sebagai tolak ukur dalam memutuskan untuk melakukan pembelian maupun penjualan saham. Data
yang digunakan oleh penelitian adalah data harga close setiap bulan dari Januari 2014 hingga Juli 2022.
Rumusan masalah dalam penelitian ini adalah (1) Bagaimana model ARIMA terbaik untuk
memodelkan data saham TLKM periode Agustus 2022 sampai dengan Juli 2023 ? (2) Bagaimana hasil
peramalan data saham TLKM dengan menggunakan metode ARIMA atau Box-Jenkins pada periode
Agustus 2022 hingga Juli 2023 ?.
Tujuan penelitian ini adalah (1) untuk mendapatkan model peramalan ARIMA terbaik untuk data
saham TLKM periode Agustus 2022 hingga Juli 2023, dan (2) untuk memperoleh hasil peramalan data
saham TLKM dengan metode ARIMA pada periode Agustus 2022 hingga Juli 2023.

2. DASAR TEORI
Fundamental dan Teknikal
Sejak satu dekade terakhir, semakin banyak diciptakan model-model peramlan pergerakan harga
saham, terutama untuk pergerakan harga saham harian (daily forecast). Beberapa model yang telah
banyak digunakan adalah rata-rata bergerak menguncup dan mengembang (Moving Average
Convergence Divergen), rata-rata bergerak (Moving Average), Pita Bollinger (Bollinger Band),
Ichimoku chart dan beberapa model lain.
Pada prinsipnya, semua model yang termasuk kategori analisis teknikal dikembangkan dengan
asumsi dasar bahwa perubahan harga saham bergerak secara bebas dari hipotesis pergerakan secara
acak (random walk hypothesis) yang banyak dianut oleh fundamentalis sebelum tahun 2000an. Aliran
fundamentalis berargumen bahwa pergerakan harga saham tidak bisa diramalkan dan hanya digerakkan
oleh kinerja keuangan fundamental perusahaan seperti laba bersih per lembar (earning per share), rasio
harga terhadap laba bersih per lembar (price earning ratio), strategi pembagian dividen (dividend per
share) dan kinerja lain. Para pengikut fundamentalis tidak mempercayai argumen bahwa harga saham
dapat diramal berdasarkan data historis yang membentuk sebuah pola tertentu yang berulang (Neely, et
al, 2001).

Pengertian Peramalan
Peramalan adalah suatu seni dan ilmu pengetahuan dalam memprediksi peristiwa dimasa
mendatang (Heizer dan Barry, 2015). Menurut Fahmi (2014), peramalan merupakan suatu bentuk usaha
dengan menerapkan berbagai pendekatan baik kualitatif dan kuantitatif. Peramalan adalah penggunaan
data masa lalu dari sebuah variabel atau kumpulan variabel untuk mengstimasi nilainya di masa yang
akan datang (Aziz et al, 2017).

Uji stasioneritas terhadap Ragam

Data deret waktu (time series) dikatakan stasioner terhadap ragam apabila ragamnya konstan dari
waktu ke waktu. Untuk mengetahui apakah data stasioner terhadap ragam dapat dilihat dari plot Box-
Cox. Data sudah stasioner apabila nilai 𝜆 = 1, selain itu harus dilakukan transformasi agar data stasioner.
Data yang tidak stasioner dapat dijadikan stasioner dengan transformasi Box-Cox seperti yang
dikenalkan oleh G. E. P. Box dan D. R. Cox tahun 1964 (Wei, 2006), dengan rumus sebagai berikut:

𝑇(𝑍𝑡 ) = 𝑍𝑡 (𝜆) = 𝑍𝑡 (𝜆) − 1 𝜆 , 𝜆 ≠ 0 (2.1)

 Berikut beberapa nilai lamda beserta dengan transformasinya yang digunakan secara umum pada
Tabel 2.1.
Tabel 2.1. Nilai Lama dan Transformasinya

l Transformasi
1 𝒁𝒕 ; 𝒕𝒊𝒅𝒂𝒌 𝒂𝒅𝒂 𝒕𝒓𝒂𝒏𝒔𝒇𝒐𝒓𝒎𝒂𝒔𝒊
0.5 √𝒁𝒕
0 𝑰𝒏 𝒁𝒕
-0.5 𝟏
√𝒁𝒕
-1 𝟏
𝒁𝒕

Uji Stasioneritas terhadap Rata-rata

Data deret waktu dikatakan stasioner terhadap rata-rata apabila data berfluktuasi di sekitar garis
sejajar dengan sumbu waktu (t) atau di sekitar suatu nilai rata-rata yang konstan. Stasioneritas data
dapat diketahui dari plot data deret waktu, data dikatakan stasioner terhadap rata-rata jika plot data deret
waktu menyebar di sekitar garis sejajar dengan sumbu waktu (t).
Stasioneritas terhadap rata-rata dapat diduga dengan melihat plot ACF (Autocorrelation
function). Data dikatakan stasioner apabila ACF tidak signifikan pada lag ≤ 3. Salah satu uji untuk
memeriksa stasioneritas data terhadap rata-rata adalah dengan uji Augmented Dickey Fuller (ADF)
(Gujarati dan Damodar, 2004).
Hipotesis untuk uji ADF:
H0: 𝛿 = 0 (data tidak stasioner terhadap rata-rata)
H1: 𝛿 ≠ 0 (data stasioner terhadap rata-rata)
Jika 𝐻0 diterima, maka 𝛽1 = 1. Artinya, data bersifat tidak stasioner terhadap ratarata. Statistik
uji yang digunakan adalah statistik uji t yang dibandingkan dengan nilai kritis tabel Dickey Fuller.

𝑡 ℎ𝑖𝑡𝑢𝑛𝑔 = 𝛽𝑖 ̂ 𝑠𝑒(𝛽𝑖 ̂ ) (2.2)

dimana 𝛽𝑖 ̂ = estimasi parameter ke-i , 𝑠𝑒(𝛽𝑖 ̂ ) = salah baku.

Kriteria keputusan:
Tolak 𝐻0 jika |𝑡 ℎ𝑖𝑡𝑢𝑛𝑔| > 𝑡𝛼 2 ,(𝑛−𝑝)
n = banyak pengamatan , p = banyak parameter yang diestimasi
Data deret waktu yang tidak stasioner terhadap rata-rata harus melalui proses differencing atau
pembedaan agar data menjadi stasioner terhadap rata-rata (Wei, 2006). Bentuk differencing pertama
yaitu :
∇𝑌𝑡 = 𝑌𝑡 − 𝑌𝑡 − 1
𝛻𝑌𝑡 = 𝑌𝑡 − 𝐵𝑌𝑡
𝛻𝑌𝑡 = (1 − 𝐵) 𝑌𝑡 (2.3)

ACF dan PACF

Autocorrelation Function (ACF) adalah korelas antara nilai-nili suatu deret berkala yang sama
dengan selisih waktu (time lag) 0, 1, 2 periode atau lebih. Sedangkan Partial Autocorrelation Function
(PACF) adalah sautu fungsi untuk mengukut tuingkat keeratan antara 𝑍𝑡 dan 𝑍𝑡 + 𝑘 apabila pengaruh
dari selisih waktu (time lag) 1, 2, ..., k-1 dianggap terpisah. Kondisi pengamatan dari proses (Zt) yang
stasioner ditunjukkan dengan nilai mean 𝐸(𝑍_𝑡 ) = µ, 𝑣𝑎𝑟(𝑍𝑡 ) = 𝐸{𝑍𝑡 − µ} 2 = 2  𝑘 adalah
proses yang konstan. Covarian (𝑍𝑡 , 𝑍𝑡 − 𝑘) yang merupakan fungsi hanya dari pembedaan waktu k ).
(Abraham and Johannes, 2005).

Model Autoregressive Integrated Moving Average (ARIMA)

Model Box-Jenkins atau ARIMA terbagi menjadi 4 kelompok, yaitu model Autoregressive (AR),
model Moving average (MA), model Autoregressive Moving Average (ARMA), dan model
Autoregressive Integrated Moving Average (ARIMA).
1. Model Autoregressive (AR)
Autoregressive adalah suatu bentuk regresi tetapi bukan yang menghubungkan variabel tak
bebas, melainkan menghubungkan nilai-nlai sebelumnya pada time lag (selang waktu) yang
bermacam-macam. Jadi suatu model Autoregressive akan menyatakan suatu ramalan sebagai
fungsi nilai-nilai sebelumnya dari time series tertentu. Model Autoregressive (AR) dengan orde
𝑝 dinotasikan dengan AR(𝑝). Bentuk umum model AR (𝑝) pada persamaan (2.4) berikut:
(Makridakis, dkk., 1999).

𝑍𝑡 = 𝜙1 𝑍𝑡−1 + ⋯ + 𝜙𝑝 𝑍𝑡−𝑝 + 𝛼𝑡 (2.4)

2. Model Moving Average (MA)

Persamaan (1) dapat ditulis menggunakan operator B (backshift), dengan persamaan
(2.5) berikut:

𝑍𝑡 = 𝜙1 𝐵𝑍𝑡 + 𝜙2 𝐵2 𝑍𝑡 … + 𝜙𝑝 𝐵𝑝 𝑍𝑡 + 𝛼𝑡
𝜙(𝐵)𝑍𝑡 = 𝛼𝑡 (2.5)

Dimana bentuk umum dari AR (𝑝) dapat ditulis menjadi persamaan (2.6) berikut ini:

𝜙𝑝 (𝐵) = 1 − 𝜙1 𝐵1 − 𝜙2 𝐵2 − 𝜙3 𝐵3 … − 𝜙𝑝 𝐵𝑝 (2.6)

Model Moving Average dengan orde 𝑞 dinotasikan MA(𝑞) didefinisikan sebagai

persamaan (2.7) berikut: (Makridakis, dkk., 1999).

𝑍𝑡 = 𝛼𝑡 + 𝜃1 𝛼𝑡−1 + 𝜃2 𝛼𝑡−2 + ⋯ + 𝜃𝑞 𝛼𝑡−𝑞 ; 𝛼𝑡 ~𝑁(0, 𝜎𝑡2 ) (2.7)

Persamaan di atas dapat ditulis menggunakan operator backshift(𝐵), pada persamaan

(2.8) berikut:

𝑍𝑡 = 𝜃(𝐵)𝛼𝑡 (2.8)

Dengan bentuk umum dari MA (𝑞) dapat ditulis menjadi persamaan (2.9) berikut ini:

𝜃𝑞 𝐵 = 1 + 𝜃1 𝐵 + 𝜃2 𝐵2 + ⋯ + 𝜃𝑞 𝐵𝑞 (2.9)

3. Model Autoregressive Moving Average (ARMA)

Model Aoturegressive Moving Average (ARMA) merupakan suatu kombinasi dari model
AR dan MA. Bentuk umum model ARMA(𝑝, 𝑞), yaitu persamaan (2.10) berikut ini:
(Makridakis, dkk., 1999).

𝑍𝑡 = 𝜙1 𝑍𝑡−1 + 𝜙2 𝑍𝑡−2 + ⋯ + 𝜙𝑝 𝑍𝑡−𝑝 + 𝛼𝑡 + 𝜃1 𝛼𝑡−1 + 𝜃2 𝛼𝑡−2 + ⋯ + 𝜃𝑞 𝛼𝑡−𝑞 (2.10)

Persamaan (2.10) dapat ditulis menggunakan operator B (backshift), menjadi persamaan

(2.11) berikut:

(1 − 𝜙1 𝐵 − 𝜙2 𝐵2 − ⋯ − 𝜙𝑝 𝐵𝑝 )𝑍𝑡 = (1 + 𝜃1 𝐵 + 𝜃2 𝐵2 + ⋯ + 𝜃𝑞 𝐵𝑞 )𝛼𝑡 (2.11)

 Sehingga diperoleh persamaan (2.12) berikut:

𝜙𝐵𝑍𝑡 = 𝜃(𝐵)𝛼𝑡 (2.12)

4. Model Autoregressive Integrated Moving Avarage (ARIMA)

Model ARIMA merupakan model yang umum digunakan dalam analisis time series.
Secara matematis model ARIMA dituliskan dalam bentuk persamaan (2.13):

𝜙𝐵(1 − 𝐵)𝑑 𝑍𝑡 = 𝜃𝑞 (𝐵)𝛼𝑡 ; 𝛼𝑡 ~𝑁(0, 𝜎𝑡2 ) (2.13)

3. METODOLOGI PENELITIAN

Langkah-langkah Aalisis ARIMA

Langkah-langkah yang dapat dilakukan pada penelitian ini akan dijelaskan sebagaimana
berikut:
1. Mengidentifikasi model
Model ARIMA hanya dapat digunakan untuk deret waktu yang stasioner. Oleh karenanya hal
pertama yang dilakukan adalah menyelidiki apakah data deret waktu sudah stasioner atau belum.
Jika data deret waktu belum stasioner, yang harus dilakukan adalah memeriksa pada pembedaan
(differencing) berapa data akan stasioner
2. Mengidentifikasi ACF dan PACF
Di samping menentukan nilai d, pada tahap ini juga ditentukan berapa jumlah nilai lag residual
(q) dan nilai lag dependen (p) yang digunakan dalam model. Alat utama yang digunakan untuk
mengidentifikasi q dan p adalah ACF dan PACF (Partial Auto Correlation Function/Koefisien
Autokorelasi Parsial), dan correlogram yang menunjukkan plot nilai ACF dan PACF terhadap
lag. Koefisien auto korelasi parsial mengukur tingkat keeratan hubungan antara Xt dan Xt-k,
sedangkan pengaruh dari time lab 1, 2, 3, …, k-1 dianggap konstan.
3. Pemilhan mode ARIMA terbaik
Dari hasil identifikasi stasioneritas dan identifikasi ACF dan PACF maka akan diperoleh
beberapa alternatif model ARIMA. Langkah berikutnya adalah melakukan estimasi parameter
auto regressive dan moving average yang tercakup dalam model.
4. Diagnostic Checking
Setelah melakukan estimasi dan mendapatkan penduga paramater, agar model sementara dapat
digunakan untuk peramalan, perlu dilakukan uji kelayakan terhadap model tersebut.Tahap ini
disebut diagnostic checking, di mana pada tahap ini diuji apakah spesifikasi model sudah benar
atau belum.
5. Peramalan (forecasting)
Setelah model terbaik diperoleh, selanjutnya peramalan dapat dilakukan. Dalam berbagai
kasus, peramalan dengan metode ini lebih dipercaya daripada peramalan yang dilakukan dengan
model ekonometri tradisional. (Hartati, 2017).

4. HASIL DAN PEMBAHASAN

Identifkasi Model
Langkah pertama yang dapat dilakukan yakni identifikasi model, dimana pada tahap ini terdapat
tiga proses yang perlu dilakukan untuk mendapatkan model yang telah sesuai. Proses tersebut adalah
membentuk plot data menurut waktu, mengecek stasioneritas terhadap ragam dan rata-rata.
Membentuk Plot Time Series

Gambar 4.1 Plot Time Series

Dari gambar 4.1, dapat diinterpretasikan bahwa plot menunjukkan bahwa pola musiman.
Komponen pada pola musiman dijabarkan ke dalam beberapa faktor seperti kecenderungan
perdagangan, trend atau isu yang berkaitan dengan perusahaan. Setelah mengetahui pola dari data, maka
selanjutnya adalah melakukan pemeriksaan data apakah data sudah stasioner dalam ragam dan rata-rata
atau belum.

Stasioneritas Terhadap Ragam

Pada proses identifikasi stasioneritas terhadap ragam kali ini akan menggunakan Box-Cox
Transformation. Berikut akan ditampilkan hasil Box-Cox transformasi.

Gambar 4.2 Output Box-Cox Saham TLKM

Pada Gambar 4.2 menunjukkan jika data sudah statsioner karena nilai rounded value (lambda)
sebesar 1, sehingga tak perlu melakukan transformasi. Selanjutnya akan mencari tahu apakah data sudah
stasioner dalam rata-rata atau belum.

Stasioneritas Terhadap Rata-rata

Pada proses identifikasi stasioner terhadap rata-rata dapat menggunakan plot Autocorrelation
Function (ACF) berikut.
 Gambar 4.3 Output ACF Saham TLKM

Berdasarkan informasi pada Gambar 4.3 dapat diketahui bahwa 5 lag waktu yang berada diluar
batas signifikansi, sehingga data tersebut dapat dikatakan belum stasioner terhadap rata-rata dan perlu
dilakukan differencing data.

Gambar 4.4 Output ACF Saham TLKM Setelah Differencing 1

 Gambar 4.5 Output Plot Time Series Data Saham Setelah Differencing 1

Berdasarkan hasil pada Gambar 4.4 terlihat bahwa lag menurun mendekati nol setelah lag
pertama dan tidak ada lag yang berada diluar batas signifikansi. Sedangkan berdasarkan Gambar 4.5
dapat dilihat bahwa data berfluktuasi disekitar nol (konstan). Sehingga berdasarkan gambar tersebut
dapat dikatakan bahwa data telah stasioner terhadap rata-rata dan ragam. Untuk identifikasi model dari
data dilakukan dengan memplotkan data saham TLKM yang telah di differencing ke dalam plot ACF
dan PACF.

Gambar 4.6 Output ACF Saham TLKM Setelah Differencing 1

 Gambar 4.7 Output PACF Saham TLKM Setelah Differencing 1

Berdasarkan Gambar 4.6 dan 4.7 terlihat bahwa tidak ada satu pun lag dari nilai autokorelasi
maupun nilai autokorelasi parsial yang berada di luar batas signifikansi. Sehingga ini berarti bahwa
pada data yang diperoleh berdasarkan proses differencing pertama tidak terdapat adanya proses
Autoregressive (AR) maupun Moving Average (MA). Untuk menduga parameter model baik AR
maupun MA maka perlu dilakukan differencing kedua.

Gambar 4.8 Output ACF Saham TLKM Setelah differencing 2

 Gambar 4.9 Output ACF Saham TLKM Setelah differencing 2
Berdasarkan Gambar 4.8 terlihat bahwa pada plot ACF nilai autokorelasi pada lag 1 berada di
luar batas signifikansi, sedangkan pada Gambar 4.9 terlihat bahwa plot PACF nilai parsial autokorelasi
pada lag 1, dan lag 2 berada di luar batas signifikansi. Sehingga menunjukkan adanya proses
Autoregressive (AR) berorde 2, Moving Average (MA) berorde 1 dan karena dilakukan differencing
sebanyak dua kali, oleh karena ini Integrated (I) atau orde 𝑑 = 2. Sehingga kemungkinan model-model
ARIMA yang diperoleh sebagai berikut.
Tabel 4.1 Kandidat Model Terbaik
No Model
1 ARIMA (2,2,1)
2 ARIMA (1,2,1)
3 ARIMA (0,2,1)
4 ARIMA (2,2,0)
5 ARIMA (1,2,0)
Pendugaan Parameter Model dan Uji Signifikansi
Langkah-langkah uji hipotesis pada tahap estimasi model untuk memperoleh model terbaik
sebagai berikut.
1. Bentuk alternatig dari klaim awal adalah parameter kandidat model tidak signifikan.
2. Hipotesis alternatif yang dapat digunakan
𝐻0 : 𝛿̂ = 0 (parameter tidak signifikan)
𝐻1 : 𝛿̂ ≠ 0 (parameter signifikan)
3. Menentukan nilai statistik uji
Dari langkah-langkah uji signifikansi yang telah dilakukan diperoleh nilai p-value dari
masing-masing model ARIMA sebagai berikut.
Tabel 4.2 Nilai p-value Masing-masing Model ARIMA

Model Parameter p-value

AR(1) 0,000
ARIMA (2,2,1)
AR(2) 0,000
MA(1) 0,000
AR(1) 0,560
ARIMA (1,2,1)
MA(1) 0,000
 ARIMA (0,2,1) MA(1) 0,000
AR(1) 0,000
ARIMA (2,2,0)
AR(2) 0,000
ARIMA (1,2,0) AR(1) 0,000
4. Menentukan wilayah kritis
Menolak 𝐻0 jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼 (0,05)
5. Kesimpulan
Tabel 4.3 Kesimpulan Hasil Model ARIMA

Model Parameter p-value Keterangan Kesimpulan

AR(1) 0,000 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼
ARIMA (2,2,1)
AR(2) 0,000 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼 Signifikan
MA(1) 0,000 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼
AR(1) 0,560 𝑝 − 𝑣𝑎𝑙𝑢𝑒 > 𝛼
ARIMA (1,2,1) Tidak Signifikan
MA(1) 0,000 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼
ARIMA (0,2,1) MA(1) 0,000 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼 Signifikan
AR(1) 0,000 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼
ARIMA (2,2,0) Signifikan
AR(2) 0,000 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼
ARIMA (1,2,0) AR(1) 0,000 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼 Signifikan

Berdasarkan Tabel 4.3 dengan menggunakan taraf signifikansi 5%, sehingga model ARIMA
(2,2,1), ARIMA (0,2,1), ARIMA (2,2,0), dan ARIMA (1,2,0) merupakan model dengan parameter yang
signifikan, sedangkan model ARIMA (1,2,1) merupakan model yang tidak signifikan.

Diagnostik Model
Setelah diperoleh model yang parameternya signifikan maka dilanjutkan pada tahap diagnostik
model. Model ARIMA harus memenuhi asumsi sisaan/residual yang bersifat white noise dan uji
independensi sisaan.
White Noise
Sisaan yang bersifat white noise dapat terlihat dari plot ACF sisaan. Jikat tidak terdapat
autokorelasi yang signifikan pada seluruh lag berarti white noise. Berikut disajikan plot ACF sisaan
untuk menguji apakah sisaan pada setiap model ARIMA signifikan telah bersifat white noise.
Tabel 4.4 Hasil Uji White Noise
Model Plot Correlogram Sisaan Keterangan
ARIMA Sisaan tidak
(2,2,1) bersifat white
noise
ARIMA Sisaan bersifat
(0,2,1) white noise

ARIMA Sisaan bersifat

(2,2,0) white noise

ARIMA Sisaan tidak

(1,2,1) bersifat white
noise

Uji Independensi Residual

Setelah mendapatan model ARIMA yang bersifat white noise, selanjutnya akan dilakukan uji
independensi residual sebagai berikut.
1. Bentuk akternatif dari klaim awal adalah ada korelasi antar lag
2. Hipotesis alternatif sebagai berikut
𝐻0 : tidak ada korelasi residual antar lag (Independen)
𝐻1 : ada korelasi residual antar lag (dependen)
 3. Menentukan statistik uji
Tabel 4.5 Nilai p-value Uji Independensi Masing-masing Model
Model Lag p-value
ARIMA (0,2,1) 12 24 36 48 0,840 0,992 0,996 0,958
ARIMA (2,2,0) 12 24 36 48 0,188 0,576 0,713 0,539
4. Menentukan wilayah kritis
Menolak 𝐻0 jika p-value < 𝛼 (0,05)
5. Kesimpulan
Tabel 4.6 Kesimpulan Uji Independensi Masing-masing Model
Model Lag p-value
ARIMA (0,2,1) 12 24 36 48 p-value lag 12, 24, 36, 48 > 𝛼
ARIMA (2,2,0) 12 24 36 48 p-value lag 12, 24, 36, 48 > 𝛼
Jadi pada taraf signifikansi 5% , sehingga model ARIMA (0,2,1) dan ARIMA (2,2,0)
tidak ada korelasi antar lag atau independen.

Pemilihan Model Terbaik

Berdasarkan pengecekan yang telah dilakukan pada tahap sebelumnya, akan ditentukan model
ARIMA terbak dan layal digunakn untuk tahap peramlan berdasarkan nilai MS terkecil sebagai berikut.
Tabel 4.7 Ringkasa Hasil Masing-masing Model
White
Model Uji Independensi Nilai MS Layak
Noise
ARIMA
Ya Independen 48258,1 Ya
(0,2,1)
ARIMA
Ya Independen 64646,7 Tidak
(2,2,0)
Berdasarkan Tabel 4.7 menunjukkan bahwa model ARIMA (0,2,1) adalah model ARIMA terbaik
yang akan digunakan untuk peramalan.

Tahap Peramalan dengan Model ARIMA (0,2,1)

Dari tahap sebelumnya didapatkan model terbaik yakni ARIMA (0,2,1) maka diperoleh bentuk
umum sebagai berikut.
ϕ0 (B)(1 − B)z Zt = θ0 + θ1 (B)αt
1(1 − B)z Zt = θ0 + (1 − θ1 B)αt
(1 − 2𝐵 + 𝐵z )Zt = θ0 + (1 − θ1 B)αt
Zt = 2Zt−1 − Zt−2 + θ0 − θ1 𝛼𝑡−1 + αt
Didapatkan model ARIMA (0,2,1) sebagai berikut.
Zt = 2Zt−1 − Zt−2 + 0,04 + 0,9725𝛼𝑡−1 + 𝛼𝑡
Dengan menggunakan program minitab dapat diperoleh ramalan untuk 12 bulan ke depan dengan
taraf kepercayaan sebesar 95%. Interval ramalan dapat dilihat pada tabel berikut.
Tabel 4.8 Hasil Peramalan Model ARIMA(0,2,1) Harga Saham TLKM
Harga Ramalan
Bulan
Saham TLKM
Agustus (2022) 4246,84
September (2022) 4263,73
Oktober (2022) 4280,65
November (2022) 4297,61
 Desember (2022) 4314,60
Januari (2023) 4331,64
Februari (2023) 4348,71
Maret (2023) 4365,83
April (2023) 4382,98
Mei (2023) 4400,17
Juni (2023) 4417,40
Juli (2023) 4434,66

Grafik Harga Saham Aktual dan Peramalan

5000
4500
4000
3500
3000
2500
2000
1500
1000
500
0
Januari

Januari

Januari

Januari

Januari

Januari

Januari

Januari

Januari

Januari
Mei
September

Mei
September

Mei
September

Mei
September

Mei
September

Mei
September

Mei
September

Mei
September

Mei
September

Mei
2014 2015 2016 2017 2018 2019 2020 2021 2022 2023

Gambar 4.10 Plot Time Series Data Aktual dan Peramalan

Berdasarkan Tabel 4.8 dan Gambar 4.10 menunjukkan bahwa hasil ramalan harga saham TLKM
cenderung mengalami kenaikan mulai Agustus 2022 hingga Juli 2023. Hal ini menunjukkan bahwa
terdapat peluang yang bagus untuk para investor dan trader untuk mengambil keputusan membeli
maupun menjual saham mereka. Namun hasil peramalan ini masih pada taraf kepercayaan sebesar 95%
yang berarti terdapat 5% kesalahan dalam hasilnya. Peneliti akan membandingkan hasil peramalan
menggunakan model ARIMA dengan hasil analisa teknikal yang telah peneliti lakukan.

Analisa Teknikal
Pada analisa teknikal kali ini, peneliti akan membagi hasil analisa yang telah dilakukan
berdasarkan time frame data yang dibagi menjadi daily, dan weekly. Namun sebelumnya, peneliti ingin
mengucapkan bahwa hasil analisa ini semata-mata hanya untuk membandingkan dengan hasil
peramalan, bukan untuk mengajak atau memberi arahan agar membeli atau menjual saham TLKM
(disclaimer on).
Daily
Time firame daily biasanya digunakan untuk membantu para trader untuk mempermudah
dalam pengambilan keputusan terkait penjualan atau pembelian saham yang baik digunakan untuk
jangka pendek. Berikut akan ditampilkan hasil analisa yang telah peneliti lakukan untuk time frame
daily.
 Gambar 4.11 Hasil Analisa Time Frame Daily
Berdasarkan Gambar 4.11 menunjukkan bahwa terdapat kemungkinan kecenderungan
terjadinya kenaikan (uptrend) pada saham TLKM mulai Agustus 2022 hingga Oktober 2022 dengan
catatan harga saham tidak sampai menyentuh atau mematahkan garis rata-rata bergerak (moving
average) 60 yang sesuai digunakan untuk menerka selama 3 bulan ke depan. Namun jika melihat
kepada indikator stokastik (stoch) yang menyimpulkan akan terjadinya bearish reversal atau
penurunan pada harga saham TLKM untuk jangka waktu yang dekat (1 sampai 2 minggu). Karena
harga saat ini menunjukkan kenaikan dimana terdapat kemungkinan akan menyentuh harga pada
candle stick Two Red Gapping pada chart saham TLKM sehingga hal ini selaras dengan hasil
peramalan yang menunjukkan bahwa akan terjadi uptrend pada saham TLKM untuk beberapa waktu
ke depan.
Weekly
Time frame weekly biasanya digunakan oleh trader atau investor untuk investasi yang bersifat
jangka panjang (long term). Berikut akan ditampilkan hasil analisa yang telah peneliti lakukan untuk
time frame weekly.

Gambar 4.12 Hasil Analisa Time Frame Weekly

 Berdasarkan Gambar 4.12 dapat disimpulkan bahwa terdapat 2 kemungkinan yang akan
terjadi yakni kemungkinan pertama akan terbentuknya double top pada saham TLKM, hal ini akan
terjadi jika harga saham TLKM tidak bisa menembus titik resistance yang akan membuat harga
saham TLKM akan menurun dan jika terus menurun hingga mencapai titik support maka harga
saham TLKM akan turun setinggi double top yang telah terbentuk. Sedangkan kemungkinan kedua
adalah jika harga saham TLKM dapat melebihi titik resistance pada ujung double top maka harga
saham akan terus naik hingga pada titik resistence selanjutnya. Namun jika dilihat dari garis moving
average 240 dan garis stokastik (stoch) peluang yang kebih besar yang akan terjadi adalah
kemungkinan kedua karena pada garis stokastik baru saja terjadi bullish reversal dimana gap antara
garis cukup jauh, sehingga kemungkinan akan terjadi kenaikan (uptrend) pada saham TLKM pada
jangka waktu 1 tahun ke depan.

5. SARAN DAN KESIMPULAN

Berdasarkan pembahasan yang telah dilakukan di Bab IV didapatkan kesimpulan sebagai berikut.
1. Model ARIMA terbaik yang dibentuk dari data harga close saham TLKM pada periode Januari
2014 hingga Juli 2022 adalah model ARIMA (0,2,1), berikut adalah model ARIMA (0,2,1).
Zt = 2Zt−1 − Zt−2 + 0,04 + 0,9725𝛼𝑡−1 + 𝛼𝑡
2. Hasil peramalan harga saham TLKM menggunakan model ARIMA (0,2,1) untuk 12 bulan
mendatang adalah sebagai berikut.

Tabel 5.1 Hasil Peramalan Model ARIMA(0,2,1) Harga Saham TLKM

Harga Ramalan
Bulan
Saham TLKM
Agustus (2022) 4246,84
September (2022) 4263,73
Oktober (2022) 4280,65
November (2022) 4297,61
Desember (2022) 4314,60
Januari (2023) 4331,64
Februari (2023) 4348,71
Maret (2023) 4365,83
April (2023) 4382,98
Mei (2023) 4400,17
Juni (2023) 4417,40
Juli (2023) 4434,66
3. Berdasarkan hasil peramalan menggunakan model ARIMA (0,2,1) dan hasil analisa
teknikan menggunakan time frame daily dan weekly, didapat kesimpulan yang cenderung
sama yakni saham TLKM dalam waktu mendatang akan mengalami kenaikan (uptrend).
Sehingga dari kesimpulan tersebut dapat mempermudah untuk trader maupun investor
untuk mengambil keputusan dalam pembelian maupun penjualan saham TLKM
 DAFTAR PUSTAKA
Abraham and Johannes L. 2005. Statistical Methodes for Forcasting, A. Jhon Wiley and Sons Inc.
New Jersey.
Aziz, S., et al. (2017). Penerapan Metode ARIMA untuk Peramalan Pengunjung Perpustakaan UIN
Suska Riau. Fakultas Sains dan Teknologi, UIN Sultan Syarif Kasim Riau.
Buchori, M dan Sukmono, T. (2018). Peramalan Produksi Menggunakan Metode Autoregressive
Integred Moving Average (ARIMA) di PT. XYZ. Program Studi Teknik Industri, Fakutas
Teknik, Universitas Muhammadiyah Sidoarjo.
Fahmi. (2014). Manajemen Keuangan Perusahaan dan Pasar Modal.Jakarta : Mitra Wacana Media.
Gujarati, Damodar N, (2004). Basic Econometrics, Fourth edition, Singapore. McGraw-Hill Inc.
Heizer, J. dan Barry, R. (2015), Manajemen Operasi : Manajemen Keberlangsungan dan Rantai
Pasokan, edisi 11, Salemba Empat, Jakarta.
Makridakis, Spyros, Wheelwright, C, Steven, McGee, E, Victor, 1999 Metode dan aplikasi peramalan.
Jakarta: PT Erlangga
Nasution, A. H. (1999). Perencanaan dan Pengendalian Produksi. Jakarta: Guna Widya.
Wei, W.W.S. (2006). Time Series Analysis, Univariate and Multvariate Methods. 2nd Edition, Pearson
Addison Wesley, Boston.