Peramalan Harga Jual Emas Di Indonesia Dengan Metode Arima

BIAStatistics: Jurnal Statistika Teori dan Aplikasi: Biomedics, Industry & Business And Social Statistics
Edisi: Special Issue (2): Hal: 123–132

Website: biastatistics.unpad.ac.id
ISSN xxxx-xxxx (online) ISSN 1907-6274 (print)
PERAMALAN HARGA JUAL EMAS DI INDONESIA DENGAN

METODE ARIMA
1
Handini Jayantika, 2Sazia Husna, 3Dhanti Aurilia Pratiwi, 4Defi Yusti Faidah
1,2,3.4
Universitas Padjadjaran
E-mail: handini20001@mail.unpad.ac.id, 2sazia20001@mail.unpad.ac.id, 3dhanti20005@mail.unpad.ac.id
1
ABSTRAK
Masa pandemi Covid-19 hampir berakhir ditandai dengan angka kasus positif yang kecil dan tentu sangat
berpengaruh pada sektor ekonomi di berbagai negara khususnya Indonesia. Hal tersebut tentunya berdampak
pada masyarakat yang mulai berhati-hati dalam memilih bentuk investasi karena khawatir nilai aset mereka
akan tergerus. Emas merupakan salah satu bentuk investasi yang dianggap aman dan dapat dijangkau oleh
semua kalangan. Emas juga banyak dipilih untuk investasi karena harganya yang cenderung stabil, tidak
terpengaruh inflasi, dan jarang mengalami penurunan yang signifikan. Salah satu cara untuk mengetahui harga
emas dalam beberapa hari ke depan adalah melakukan peramalan. Data yang digunakan berupa harga jual emas
dengan metode analisis peramalan adalah metode ARIMA. Tujuan penelitian ini adalah memperoleh prediksi
harga emas di Indonesia selama 20 hari ke depan. Dari hasil analisis yang telah dilakukan, diperoleh model
ARIMA (6,1,1). Sehingga dari hasil tersebut dapat disimpulkan bahwa prediksi harga emas 20 hari ke depan
mengalami penurunan dengan persentase kesalahan data training sebesar 0,5602277%. Dari hasil peramalan
tersebut sangat memungkinkan bagi masyarakat untuk memulai berinvestasi emas dikala harganya yang sedang
mengalami penurunan.
Kata kunci: ARIMA, Peramalan, Emas, Investasi
I. PENDAHULUAN
Pandemi Covid-19 yang telah terjadi sejak tahun 2019 di Wuhan, Cina dan pada tanggal 2
Maret 2020, secara resmi di Indonesia telah terdeteksi satu kasus Covid-19. Pandemi tersebut
sudah berlangsung selama kurang lebih 2 tahun hingga tahun 2022. Pandemi tersebut berdampak
pada berbagai macam sektor, salah satunya ekonomi. Seiring dengan pandemi Covid-19,
keadaan ekonomi di Indonesia menjadi tidak stabil. Sehingga masyarakat mulai berhati-hati
dalam memilih bentuk investasi karena khawatir nilai aset mereka akan tergerus dan kondisi
perekonomian yang terus memburuk.
Investasi menurut Kamus Besar Bahasa Indonesia berarti penanaman uang atau pun modal
dalam suatu perusahaan atau proyek untuk tujuan memperoleh keuntungan. Bentuk investasi
yang disarankan pada saat itu adalah emas. Emas merupakan salah satu bentuk investasi yang
dianggap aman dan dapat dijangkau oleh semua kalangan. Emas juga banyak dipilih untuk
investasi karena harganya yang cenderung stabil, tidak terpengaruh inflasi, dan jarang
mengalami penurunan yang signifikan. Selain itu, Investasi emas juga lebih mudah untuk
dicairkan sehingga dapat memenuhi kebutuhan yang mendesak [1]. Nilai emas juga cenderung
meningkat setiap tahun, bahkan jarang mengalami penurunan sehingga investasi emas dalam
waktu yang cukup lama sangat menjanjikan jika dibandingkan dengan investasi lainnya.
Menurut Dirk G. Baur dan Brian M. Lucey (2010), investasi emas berada pada posisi kedua
setelah usaha dalam sektor riil yang berjalan dengan baik. Kesamaan dari investasi emas dengan
sektor riil yaitu keduanya memiliki nilai nyata (tangible), senilai benda fisiknya (intrinsic) dan
nilai yang melekat atau bawaan pada benda itu (innate). Ketiga keunggulan nilai ini tidak
dimiliki oleh investasi bentuk lain seperti saham, derivatif, kurs valuta asing.
Jurnal Statistika Teori dan Aplikasi: Biomedics, Industry & Business And Social Statistics 123
Website: biastatistics.statistics.unpad.ac.id
Published by Departemen Statistika FMIPA Universitas Padjadjaran
Pada 22 Juni 2020 harga emas mencapai Rp 803.596 per gram. Pada 27 Juli 2020 harga
emas mencapai Rp 904.185 per gram. Sedangkan pada 7 Agustus 2020 harga emas mencapai
Rp 830.904 per gram. Dilihat dari harga beli dan harga jual kepingan emas, berdasarkan data
yang diperoleh dari tokopedia, pada 17 Agustus 2020 harga beli kepingan emas 1 gram, 5 gram,
10 gram, 50 gram, dan 100 gram secara berturut-turut sebesar Rp 982.000 per gram, Rp
4.910.000 per gram, Rp 9.820.000 per gram, Rp 49.100.000 per gram, dan Rp 98.200.000 per
gram. Lain halnya dengan harga jualnya yaitu secara berturut turut sebesar Rp 937.720 per gram,
Rp 4.688.600 per gram, Rp 9.377.200 per gram, Rp 46.886.000 per gram, dan Rp 93.772.000
per gram [2]. Dari data tersebut terlihat bahwa pergerakan harga emas selama COVID-19
cenderung lebih banyak mengalami kenaikan.
Kini Organisasi Kesehatan Dunia (WHO) menyatakan bahwa akhir dari pandemi Covid-
19 sudah di depan mata [3]. Semua sektor yang mengalami kemunduran selama masa pandemi
mulai bangkit lagi satu per satu. Masyarakat yang ingin bangkit dari keterpurukan ekonomi juga
juga mulai mencari berbagai bentuk investasi untuk memulihkan perekonomian mereka. Lagi-
lagi emas masih menjadi salah satu bentuk investasi yang paling aman.
Salah satu cara yang dapat dilakukan untuk mengetahui prediksi harga jual emas di
Indonesia adalah melakukan suatu peramalan dengan menggunakan metode Autoregressive
Integrated Moving Average (ARIMA). Sebelumnya peramalan harga jual emas sudah banyak
dilakukan oleh peneliti lain di berbagai negara. Dari peramalan ini diharapkan dapat
memberikan gambaran kepada para investor mengenai naik turunnya harga jual emas di
Indonesia. Penelitian meramalkan harga emas telah banyak dilakukan, misalnya peramalan
harga emas global (Christian & Halim, 2016; Kusumadewi, 2014) dan peramalan harga emas
PT. Antam TBK Indonesia (Andriyanto, 2017; KURNIA et al., 2014).
II. METODE PENELITIAN

2.1. Data
Data yang digunakan dalam penelitian ini adalah data sekunder yang diperoleh dari
website PT Aneka Logam Indonesia, yakni harga jual emas per hari dengan series data dari
29 Juni 2022 hingga 21 September 2022. Metode penelitian yang digunakan adalah
forecasting menggunakan ARIMA. Model ARIMA bertujuan melakukan peramalan dengan
menggambarkan autokorelasi pada data [4]. Pada proses analisis, data akan dibagi menjadi
data training sebesar 80% dari total sampel untuk memperkirakan parameter dari model
peramalan dan data testing sebesar 20% dari total sampel untuk validasi keakuratan model
dan pemilihan model terbaik [4]. Data periode 29 Juni 2022 hingga 04 September 2022
digunakan sebagai data training dan periode 05 September 2022 hingga 21 September 2022
sebagai data testing.
2.2. Pengecekan Stasioneritas
Data time series yang akan digunakan harus stasioner bahwa data bersifat konstan
dengan sifat probabilistik yang tidak berubah-ubah dari waktu ke waktu [5]. Data yang
memiliki trend atau musiman yang tidak stasioner akan mempengaruhi nilai pada data ketika
waktu berbeda. Stasioner yang harus terpenuhi yaitu stasioner dalam varians dan mean (rata-
rata).
Transformasi Box Cox digunakan untuk melihat kestasioneran data berdasarkan nilai
varians. Jika lambda sama dengan satu, maka data sudah stasioner dalam varians. Jika lambda
tidak sama dengan satu maka dapat dilakukan transformasi pangkat [6]. Rumus transformasi
tersebut ditampilkan sebagai berikut.
124 Jurnal Statistika Teori dan Aplikasi: Biomedics, Industry & Business And Social Statistics
𝑍𝜆 − 1
𝑍∗ =
𝜆
Dimana :
𝑍 ∗ = Transformasi Box Cox
𝜆 = Nilai Koefisien dari transformasi Box Cox
Pengecekan kestasioneran data berdasarkan mean (rata-rata) dapat menggunakan

Augmented Dickey Fuller (ADF) [7]. Pengujian dapat dilakukan dengan menguji hipotesis
dalam persamaan sebagai berikut.
𝑝−1
𝑌𝑡 = 𝜑𝑌𝑡−1 + ∑ 𝜑𝑗 𝛥𝑌𝑡−𝑗 + 𝜃0 + 𝑎𝑡
𝑗=1
Hipotesis yang digunakan sebagai berikut.

𝐻0 : data tidak stasioner dalam mean
𝐻1 : data stasioner dalam mean
Hipotesis nol ditolak jika nilai test statistic kurang dari critical value. Jika data tidak
stasioner dalam mean maka lakukan differencing [8]. Differencing dilakukan dengan
mengurangi nilai pada suatu periode dengan nilai pada periode sebelumnya.. Nilai selisih
yang diperoleh dicek lagi apakah stasioner atau tidak. Jika belum stasioner maka dilakukan
differencing lagi.
2.3. Model ARIMA
Secara umum ARIMA dinotasikan dengan ARIMA (p, d, q) , yang mana p
menunjukkan orde Autoregressive (AR), d menunjukkan jumlah data differencing, dan q
menunjukkan Moving Average (MA).
2.3.1 Model Autoregressive (AR)
Model autoregressive adalah model yang menjelaskan bahwa variabel dependen
dipengaruhi oleh variabel dependen itu sendiri pada periode dan waktu sebelumnya. Syarat
model autoregressive menunjukkan regresi variabel terhadap dirinya sendiri. Model
autoregressive dinyatakan sebagai berikut [4].
𝑌𝑡 = 𝑐 + 𝜙1 𝑌𝑡−1 + 𝜙2 𝑌𝑡−2 +. . . +𝜙𝑝 𝑌𝑡−𝑝 + 𝜀𝑡
𝜙1
Dimana :
𝑌𝑡 = data time series sebagai variabel dependen pada waktu ke-t
𝑐 = konstanta
𝑌𝑡−1 , . . . , 𝑌𝑡−𝑝 = data time series pada waktu ke- (t-p)
𝜙1 , . . . , 𝜙𝑝 = koefisien atau parameter dari model Autoregressive
𝜀𝑡 = residual pada waktu t
2.3.2 Model Moving Average (MA)
Model moving average menggunakan peramalan error beberapa periode sebelumnya.
Moving average digunakan untuk meramalkan nilai masa depan dengan pemulusan untuk
memperkirakan siklus trend nilai masa lalu. Model moving average dinyatakan sebagai
berikut [5].
𝑌𝑡 = 𝑐 − 𝜀𝑡 − 𝜃1 𝜀𝑡−1 − 𝜃2 𝜀𝑡−2 −. . . −𝜃𝑞 𝜀𝑡−𝑞
Dimana :
𝑌𝑡 = data time series sebagai variabel dependen pada waktu ke-t
𝜀𝑡−1 , . . . , 𝜀𝑡−𝑞 = nilai residual time series pada waktu ke- (t-q)
𝜃1 , . . . , 𝜃𝑞 = koefisien atau parameter dari model Moving Average
2.3.3 Model Autoregressive Moving Average (ARMA)
Model Moving Average adalah model gabungan dari Autoregressive (AR) dan Moving
Average (MA) [5]. Model ARMA dinyatakan sebagai berikut.
𝑌𝑡 = 𝑐 + 𝜙1 𝑌𝑡−1 + 𝜙2 𝑌𝑡−2 +. . . +𝜙𝑝 𝑌𝑡−𝑝 − 𝜃1 𝜀𝑡−1 − 𝜃2 𝜀𝑡−2 −. . . −𝜃𝑞 𝜀𝑡−𝑞
2.4. Identifikasi Model ARIMA menggunakan Correlogram
Setelah stasioner data terpenuhi, langkah selanjutnya lakukan identifikasi kemungkinan
model yang cocok untuk dijadikan model dengan melihat plot ACF (autocorrelation function)
dan plot PACF (partial autocorrelation function) atau disebut juga correlogram [9]. Penentuan
model dapat dilihat dari garis yang cut off after lag pada plot untuk menentukan ordenya.
Orde pembentukan model ARIMA adalah seperti pada Tabel 1.
Tabel 1. Orde dari Plot ACF dan PACF
Model ACF PACF
Moving Average / MA (q) Cuts off after lag q Dies down
Autoregressive / AR (p) Dies down Cuts off after lag p
ARMA (p,q) Dies down Dies down
AR (p) atau MA (q) Cuts off after lag q Cuts off after lag p
Bukan AR (p) atau MA (q) No spike No spike
2.5. Estimasi Parameter Model
Untuk model sementara yang terpilih, parameter-parameter diestimasi dengan
melakukan uji t untuk mengetahui parameternya signifikan atau tidak [10].
𝐻0 : residual white noise non-autokorelasi
𝐻1 : residual tidak white noise non-autokorelasi
2.6. Pemilihan Model Terbaik
Dalam analisis data time series, terdapat banyak model yang bisa mewakili data. Untuk
mengetahui model yang paling baik dapat dilihat dari perhitungan model residual berdasarkan
kesalahan peramalan. Pemilihan model dapat menggunakan beberapa cara, antara lain:
2.6.1 AIC (Akaike’s Information Criterion) dan BIC (Schwartz's Bayesian Criterion)
Model terbaik dipilih dengan menganalisis jumlah parameter dalam model. Semakin
kecil nilai AIC dan BIC, maka model semakin baik untuk digunakan. Untuk menghitung nilai
AIC dan BIC dapat dirumuskan sebagai berikut [4].
𝑆𝑆𝐸
𝐴𝐼𝐶 = 𝑇 𝑙𝑜𝑔 ( ) + 2(𝑘 + 2)
𝑇
𝑆𝑆𝐸
𝐵𝐼𝐶 = 𝑇 𝑙𝑜𝑔 ( ) + (𝑘 + 2)𝑙𝑜𝑔(𝑇)
𝑇
Dimana :
T = jumlah observasi yang diestimasi
k = Jumlah prediktor pada model
2.6.2 MAPE (Mean Absolute Percentage Error)

Ukuran kesalahan nilai dinyatakan dalam bentuk persentase dari absolute rata-rata.
Semakin kecil nilai kesalahan, maka semakin baik untuk menggunakan model tersebut [11].
𝑋 −𝐹
∑ | 𝑡 𝑋 𝑡|
𝑡
𝑀𝐴𝑃𝐸 = 𝑥100%
𝑛
Dimana :
𝑛 = nilai periode waktu
𝑋𝑡 = nilai actual pada periode ke-t
𝐹𝑡 = nilai forecast pada periode ke–t
2.7. Uji Asumsi Residual (Diagnostic Checking)
Sebelum melakukan peramalan, lakukan pengecekan asumsi terhadap residual model
tersebut.
2.7.1 Normalitas Residual
Pengujian asumsi normalitas dapat menggunakan kolmogorov smirnov. Persamaan
statistik ujinya adalah sebagai berikut [8].
𝐷 = 𝑠𝑢𝑝|𝐹𝑛 (𝑥) − 𝐹0 (𝑥)|
Dimana :
𝐹𝑛 (𝑥)= fungsi distribusi kumulatif dari data asal
𝐹0 (𝑥)= fungsi yang dihipotesiskan berdistribusi normal
𝑛 = banyaknya residual
𝐻0 : residual berdistribusi normal
𝐻1 : residual tidak berdistribusi normal
2.7.2 Residual White Noise Non-Autokorelasi
White noise dilakukan untuk melihat apakah error yang dihasilkan memiliki varians
konstan (identik) dan tidak ada autokorelasi. Pengujian ini menggunakan uji Ljung-Box
dengan statistik uji sebagai berikut [8].
𝑘
𝑄 = 𝑛(𝑛 + 2) ∑ (𝑛 − 𝑘)−1 𝑟̂𝑘2 (1)

𝑘=1
Dimana :
𝑟̂𝑘2 = ACF residual
n = banyaknya residual
k = lag ke-k
𝐻0 : residual white noise non-autokorelasi
𝐻1 : residual tidak white noise non-autokorelasi
2.7.3 Homoskedastisitas Residual
Residual pada model harus bersifat homogen, sehingga dilakukan pengujian dengan
menggunakan Ljung-Box dengan statistik uji pada persamaan (1).
𝐻0 : residual homogen
𝐻1 : residual heterogen
2.8. Peramalan
Setelah residual memenuhi semua asumsi, maka model dapat digunakan untuk
memprediksi beberapa periode yang akan datang.
III. HASIL DAN PEMBAHASAN

3.1. Identifikasi Model
3.1.1 Plot Time Series Harga Emas
Berikut plot data harga emas di Indonesia pada bulan 29 Juni 2022 sampai dengan 21
September 2022.
Gambar 1. Plot Data Harga Emas.
Berdasarkan Gambar 1 terlihat bahwa data harga emas memiliki tren yang cenderung
menurun, adanya trend naik maupun turun mengindikasikan bahwa data tersebut belum
stasioner.
3.1.2 Pengujian Stasioneritas
Pada pemodelan Autoregressive Integrated Moving Average (ARIMA) data yang
digunakan sebanyak 80% dari data historis sebagai training data dan 20% sisanya digunakan
sebagai testing data hasil prediksi ARIMA. Langkah pertama sebelum pemodelan dilakukan
pengujian stasioneritas menggunakan Uji Box-Cox dan Uji Augmented DIckey-Fuller.
Tabel 2. Pengujian Stasioneritas
Uji Box-Cox Lambda
p-value 1
Uji Augmented Dickey-Fuller
p-value 0,5667
Differencing ke-1 <0,01
Pada Tabel 2, didapatkan bahwa nilai \lambda=1, dengan demikian dapat disimpulkan
Gambar 2. Plot Data Setelah Differencing

bahwa data sudah stasioner dalam varians. Selanjutnya pada Tabel 2 dilakukan differencing
sebanyak satu kali untuk memperoleh nilai p-value yang lebih kecil dari \alpha, sehingga
dapat disimpulkan bahwa data telah memenuhi syarat stasionerias dalam varians dan rata-
rata.
3.1.3 Plot ACF dan PACF
Parameter p dapat ditentukan dengan memerhatikan lag-lag yang signifikan pada plot
PACF. Sedangkan parameter q dapat ditentukan dengan memerhatikan lag yang signifikan
pada plot ACF. Pada gambar 2, dapat dilihat bahwa plot ACF terdapat cut off pada after lag-
1 dan 7, sedangkan pada plot PACF terdapat cut off after lag ke-1 dan 6.
Gambar 3. Plot ACF dan PACF Setelah Differencing
3.2. Estimasi Parameter Model dan Pemilihan Model Terbaik

Berdasarkan informasi plot ACF dan PACF, dengan menggunakan cara trial and error
dalam menentukan model, maka didapatkan model terbaik yakni model ARIMA (6,1,1)
yang memiliki nilai AIC terkecil sebesar 1740,26.
Tabel 3. Estimasi Parameter ARIMA(6,1,1)
Parameter Koefisien Standar Error P-value
ar1 -0,97484 0,10461 <2,2e-16
ar2 -0,81382 0,12326 4,048e-11
ar3 -0,81731 0,13179 5,590e-10
ar4 -0,70721 0,13111 6,890e-08
ar5 -0,64167 0,12337 1,980e-07
ar6 -0,68551 0,08554 1,112e-15
ma1 0,38394 0,11778 0,001115
3.3. Diagnostik Model
Model yang akan digunakan untuk forecast terlebih dahulu dilakukan pengujian residual
untuk memenuhi beberapa asumsi yaitu uji normalitas residual, White Noise Autokorelasi,
dan White Noise Homoskedastisitas.
Tabel 2. Pengujian Stasioneritas
Uji Normalitas Residual
D 0,082353
p-value 0,9376
Uji White Noise Autokorelasi
2
𝜒 6,4061e-05
p-value 0,9936
Uji White Noise Heteroskedastisitas
2
𝜒 0,0091179
p-value 0,9239
Berdasarkan Tabel 3, dapat dilihat bahwa ketiga pengujian memiliki nilai p-value yang
lebih dari α sehingga dengan taraf signifikansi sebesar 0,05 model ARIMA (6,1,1) memenuhi
syarat asumsi normalitas residual, non-autokorelasi, dan heteroskedastisitas.
3.4. Peramalan
Setelah mendapatkan model terbaik yaitu ARIMA(6,1,1), maka dapat dilakukan
forecast harga emas di Indonesia untuk 20 hari kedepan mulai 22 September 2022 hingga 11
Oktober 2022.
Gambar 4. Plot Prediksi Harga Emas Menggunakan Model ARIMA(6,1,1)
Pada Gambar 4 di atas, terlihat bahwa pola data hasil prediksi yang menggunakan warna
merah hampir mengikuti pola data yang sebenarnya. Maka, model ARIMA (6,1,1) dapat
digunakan untuk memprediksi data harga emas di Indonesia dimasa yang akan datang.
Peramalan harga emas di masa datang diperlihatkan dengan garis biru pada Gambar 4, dengan
nilai MAPE sebesar 0,5602277%.
Tabel 1. Orde dari Plot ACF dan PACF
Tanggal Harga (Rp) Tanggal Harga (Rp)

22 September 897525,5 2 Oktober 911192,9
1 Oktober 894362,2 11 Oktober 901496,8
Hasil peramalan menunjukkan bahwa harga emas cenderung semakin menurun, harga
emas tertinggi diramalkan terjadi pada 25 September 2022 dengan harga sebesar Rp.
919.220,2. Pada hari-hari berikutnya, harga emas akan terus menurun meskipun terdapat
kenaikan pada beberapa hari saja.
IV. KESIMPULAN
Penelitian ini bertujuan untuk mengetahui prediksi harga jual emas di PT Aneka Logam
Indonesia untuk 20 hari kedepan dengan menggunakan data dari 29 Juni 2022 hingga 21
September 2022. Adapun hasil peramalan diperoleh model terbaik yaitu model ARIMA (6,1,1)
dengan nilai MAPE sebesar 0,56%. Asumsi normalitas residual, non autokorelasi residual, dan
homoskedastisitas residual pada model tersebut terpenuhi. Dari hasil peramalan untuk 22
September 2022 hingga 11 Oktober 2022 cenderung mengalami penurunan yang signifikan. Hal
ini dapat menjadi acuan untuk melakukan investasi emas dikarenakan harga jual emas
mengalami penurunan. Harga jual emas berada di angka Rp 889.000 hingga Rp 919.000.
DAFTAR PUSTAKA
[1]Properti.kompas.com. (2020). Saat Pandemi, Pilih Investasi Emas atau Properti?. Diakses dari
properti.kompas.com/read/2020/08/01/102111821/saat-pandemi-pilih-investasiemas-atau-
properti?page=all Tanggal 17 September 2022.
[2]Dewi, D. M., Nafi, M. Z., Nasrudin (2022). ANALISIS PERAMALAN HARGA EMAS DI INDONESIA
PADA MASA PANDEMI COVID-19 UNTUK INVESTASI. In Prosiding Jurnal Litbang Sukowati, Vol.
5, No. 2, Mei 2022
[3]Tempo.co. (2022). Dirjen WHO: Akhir Pandemi COVID-19 Sudah di Depan Mata. Diakses dari
https://dunia.tempo.co/read/1634471/dirjen-who-akhir-pandemi-covid-19-sudah-di-depan-mata. Diakses
dari Tempo.co Tanggal 25 September 2022.
[4]Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting Principles And Practice. Australia: Texts.
[5]Box, G. E., Jenkins, G. M., Reinsel, G. M., & Ljung, G. M. (2016). Time Series Analysis Forecasting and
Control (5th ed.). Canada: John Wiley & Sons, Inc., Hoboken, New Jersey.
[6]Wei, W. W. (2006). Time Series Analysis Univariate and Multivariate Methods (2nd ed.). New York: Pearson
Education, Inc.
[7]Triswanda, E., Astutik, S., & Hantama, R. N. (2020). Peramalan Harga Bawang Merah di Pasar Kepanjen
Kabupaten Malang Menggunakan Metode Autoregressive Integrated Moving Average (ARIMA).
SEMINAR NASIONAL STATISTIKA ONLINE 2020.
[8]Rukini, Arini, P. S., & Nawangsih, E. (2015). Peramalan Jumlah Kunjungan Wisatawan Mancanegara
(Wisman) ke Bali Tahun 2019: Metode ARIMA. Jurnal Ekonomi Kuantitatif Terapan (JEKT), 136-141.
[9]Ludin, J. (2010). Pendekatan Metode Algoritma Genetik Untuk Identifikasi Model ARIMA. Prosiding Seminar
Nasional Statistika , 216-225.
[10]Anityaloka, R. N., & Ambarwati, A. N. (2013). Peramalan Saham Jakarta Islamic Index Menggunakan Metode
ARIMA Bulan Mei-Juli. Statistika, 1-5.
[11] Hutasuhut, A. H., Anggraeni, W., & Tyasnurita, R. (2014). Pembuatan Aplikasi Pendukung Keputusan Untuk
Peramalan Persediaan Bahan Baku Produksi Plastik Blowing dan Inject Menggunakan Metode ARIMA
(Autoregressive Integrated Moving Average) Di CV. Asia. JURNAL TEKNIK POMITS, 169-174.
[12]Properti.kompas.com. (2020). Saat Pandemi, Pilih Investasi Emas atau Properti?. Diakses dari
properti.kompas.com/read/2020/08/01/102111821/saat-pandemi-pilih-investasiemas-atau-
properti?page=all Tanggal 17 Agustus 2020.
[13]Dewi, D. M., Nafi, M. Z., Nasrudin (2022). ANALISIS PERAMALAN HARGA EMAS DI INDONESIA
PADA MASA PANDEMI COVID-19 UNTUK INVESTASI. In Prosiding Jurnal Litbang Sukowati, Vol.
5, No. 2, Mei 2022.

Peramalan Harga Jual Emas Di Indonesia Dengan Metode Arima

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Peramalan Harga Jual Emas Di Indonesia Dengan Metode Arima

Diunggah oleh

Hak Cipta:

Format Tersedia

BIAStatistics: Jurnal Statistika Teori dan Aplikasi: Biomedics, Industry & Business And Social Statistics

Edisi: Special Issue (2): Hal: 123–132

PERAMALAN HARGA JUAL EMAS DI INDONESIA DENGAN

Kata kunci: ARIMA, Peramalan, Emas, Investasi

II. METODE PENELITIAN

Pengecekan kestasioneran data berdasarkan mean (rata-rata) dapat menggunakan

Hipotesis yang digunakan sebagai berikut.

2.6.2 MAPE (Mean Absolute Percentage Error)

𝑄 = 𝑛(𝑛 + 2) ∑ (𝑛 − 𝑘)−1 𝑟̂𝑘2 (1)

III. HASIL DAN PEMBAHASAN

Gambar 1. Plot Data Harga Emas.

Gambar 2. Plot Data Setelah Differencing

Gambar 3. Plot ACF dan PACF Setelah Differencing

3.2. Estimasi Parameter Model dan Pemilihan Model Terbaik

Gambar 4. Plot Prediksi Harga Emas Menggunakan Model ARIMA(6,1,1)

Tanggal Harga (Rp) Tanggal Harga (Rp)

Anda mungkin juga menyukai