Kelas A

LAPORAN PRAKTIKUM
ANALISIS RUNTUN WAKTU
Modul 1 : Moving Average

Nomor Tanggal Tanda Tangan

Nama Praktikan Praktikan
Mahasiswa Kumpul

Rintaldi Ghazian Hindami 17611050 02/10/2019

Tanggal Tanda tangan

Nama Penilai Nilai
Koreksi Asisten Dosen
Dhinda Seftiyani Budi Utari
Syinta Nuri Mashita

Arum Handini Primandari, S.Pd.Si,

M.Si.

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

Daftar Isi.................................................................................................................. ii
Daftar Gambar ........................................................................................................ iii
1 Pendahuluan .................................................................................................... 1
1.1 Moving Average ...................................................................................... 1
1.2 Simple Moving Average .......................................................................... 2
1.3 Weighted Moving Average ...................................................................... 2
1.4 Exponential Moving Average .................................................................. 3
2 Deskripsi Kerja................................................................................................ 4
2.1 Studi Kasus ............................................................................................. 4
2.2 Langkah Kerja ......................................................................................... 4
3 Pembahasan ..................................................................................................... 7
4 Penutup.......................................................................................................... 13
4.1 Kesimpulan ........................................................................................... 13
5 Daftar Pustaka ............................................................................................... 14

ii
Daftar Gambar

Gambar 2.1. Memanggil Package TTR dan quantmond ....................................... 4

Gambar 2.2. Syntax Mengunduh Data Saham Amazon.com ................................. 4
Gambar 2.3. Syntax Harga Saham Amazon Adjusted Price .................................. 4
Gambar 2.4. Syntax Simple Moving Average dan Data Frame ............................ 5
Gambar 2.5. Syntax Plot Data Saham Amazon.com dan Simple Moving Average 5
Gambar 2.6. Syntax Weight Moving Average dan Data Frame ........................... 5
Gambar 2.7. Syntax Plot Weight Moving Average ................................................ 5
Gambar 2.8. Syntax Exponential Moving Average dan Data Frame ................... 5
Gambar 2.9. Syntax Plot Exponential Moving Average, Simple Moving Average
dan Data Aktual............................................................................................... 5
Gambar 2.10. Syntax Menghitung Nilai MSE ....................................................... 6
Gambar 3.1. Data Harga Historis Saham Amazon.com ......................................... 7
Gambar 3.2. Data Aktual dan Data SMA .............................................................. 7
Gambar 3.3. Plot Perbandingan Data Aktual dan Data SMA ............................... 8
Gambar 3.4. Data Aktual, Data SMA, dan Data WMA ........................................ 9
Gambar 3.5. Plot Perbandingan Data Aktual, Data SMA, dan Data WMA .......... 9
Gambar 3.6. Data Aktual, Data SMA, dan Data EMA ....................................... 10
Gambar 3.7. Plot Perbandingan Data Aktual, Data SMA, dan Data EMA ......... 10
Gambar 3.8. Perbandingan Plot SMA, WMA, dan EMA tehadap Data actual ... 11
Gambar 3.9. Perbandingan Nilai MSE Pada SMA, WMA, dan EMA ................ 11

iii
1 Pendahuluan

1.1 Moving Average

Metode rata-rata bergerak(moving average) dingunakan untuk menentukan

trend dari suatu deret waktu. Dengan menggunakan metode moving avregae ini
deret berkala dari data asli diubah menjadi deret rata-rata yang bergerak lebih
mulus. Metode moving average mengestimasi peramalan periode berikutnya
sebagai rata-rata aktual dari n-periode terakhir. (Rahmah, 2012)
Tujuan utama dari penggunaan ratarata bergerak adalah untuk
menghilangkan atau mengurangi acakan (randomness) dalam deret waktu. Tujuan
ini dapat dicapai dengan merata-ratakan beberapa nilai data bersama-sama, dengan
cara mana kesalahan-kesalahan positif dan negatif yang mungkin terjadi dapat
dikeluarkan atau dihilangkan. (Kusumadewi & Nurlifa, 2017)
Metode Moving Average mempunyai karakteristik khusus yaitu, untuk
menentukan ramalan pada periode yang akan datang memerlukan data historis
selama jangka waktu tertentu. Semakin panjang jangka waktu moving average, efek
pelicinan semakin terlihat dalam ramalan atau menghasilakan moving average yang
semakin halus. Rumus moving average :
∑𝑋
𝑀𝐴 =
𝑛
Keterangan :
MA = moving average
∑ 𝑋 = jumlah data periode waktu yang diperhitungkan
n = banyaknya adata

(Rachman, 2018)

1
1.2 Simple Moving Average
Simple Moving Average (SMA) dapat digunakan untuk membuat kurva harga
sahan yang halus dan menyaring noise data sehingga lebih mudah untuk melihat
trend data tersebut.
Metode SMA dapat dirumuskan sebagai berikut:
∑𝑛𝑡=𝑖 𝐷𝑖
𝐹𝑡 =
𝑛
Keterangan :
Ft = Peramalan untuk periode mendatang (SMA)
i = banyaknya data (1,2,3,…,n)
n = jumlah periode yang akan dirata-ratakan
Di = demand pada periode t

(Abbas, 2016)

1.3 Weighted Moving Average

Dalam metode Weighted Moving Average, selain perhitungannya sederhana,
pada metode ini diberikan bobot yang berbeda untuk setiap data historis masa lalu
yang tersedia, dengan asumsi bahwa data historis yang paling terakhir atau terbaru
akan memiliki bobot lebih besar dibandingkan dengan data historis yang lama
karena data yang paling terakhir atau terbaru merupakan data yang paling relevan
untuk peramalan. Keunggulan lainnya dari metode ini adalah pemberian nilai
bobotnya dapat disesuaikan, tetapi penentuan bobot optimalnya sulit. (Ardiana &
Loekito, 2018)
Rumus metode Weighted Moving Average :
𝑘𝑋𝑡 + (𝑘 − 1)𝑋𝑡−1 + ⋯ + 1𝑋𝑡−(𝑘−1)
𝐹𝑡+1 =
𝑘 + (𝑘 + 1) + ⋯ + 1
Keterangan :
Ft+1 = Peramalan untuk periode mendatang (WMA)
k = panjang periode WMA
t = pembobotan
(Nugroho, 2017)

2
1.4 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. (Anwar, 2019)
Jadi berbeda dengan Simple Moving Average, EMA hanya dapat digunakan
satu kali terhadap perubagan harga, pada saat harga tersebut diterima. EMA dinilai
lebih diminati untuk dipergunakan pada proses peramalan data saham karena EMA
lebih besar mementingkan data yang baru dari pada informasi data lama dan EMA
dapat bereaksi pada perubahan harga terkini lebih cepat dan tidak tergantung pada
data yang lama. EMA akan dapat menghasilkan grafik harga yang lebih berkualitas.
(JustForex, 2016)

3
2 Deskripsi Kerja

2.1 Studi Kasus

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

Berikut ini langkah atau tahapan penyelesaian dalam melakukan Analisis
Runtun Waktu dengan Bahasa Pemrograman R
1. Install package “TTR” dan “quantmod” pada Rstudio. Kemudian panggil
package tersebut dengan syntax: library(nama package).

Gambar 2.1. Memanggil Package TTR dan quantmond

2. Praktikan mengunduh data harga saham Amazon.com dengan kode finansial
“AMZN” dalam kurun waktu 1 September 2018 hingga 1 September2019.

Gambar 2.2. Syntax Mengunduh Data Saham Amazon.com

3. Mengambil data harga saham penutupan yang sudah disesuaikan (adjusted
price)

Gambar 2.3. Syntax Harga Saham Amazon Adjusted Price

4. Hitung Simple Moving Average (SMA) dengan membuat data frame yang
terdiri dari kolom data aktual dan data hasil SMA dengan periode 5.

4
 Gambar 2.4. Syntax Simple Moving Average dan Data Frame
5. Kemudian praktikan membuat plot perbadingan data aktual dengan data
Simple Moving Average.

Gambar 2.5. Syntax Plot Data Saham Amazon.com dan Simple Moving
Average
6. Menjalankan syntax Weight Moving Average (WMA) dan membuat data frame
yang terdiri dari data aktual dan data hasil WMA.

Gambar 2.6. Syntax Weight Moving Average dan Data Frame

7. Praktikan menambahkan plot WMA pada plot perbandingan data aktual dan
SMA yang telah dibuat sebelumnya.

Gambar 2.7. Syntax Plot Weight Moving Average

8. Menjalankan syntax Exponential Moving Average (EMA) dan membuat data
frame yang berisi data aktual, SMA, dan EMA.

Gambar 2.8. Syntax Exponential Moving Average dan Data Frame

9. Setelah itu membuat plot dari data frame WMA yang dibandingkan dengan
data SMA dan data aktualnya.

Gambar 2.9. Syntax Plot Exponential Moving Average, Simple Moving

Average dan Data Aktual

5
10. Menjalankan Syntax dan membandingkan nilai Mean Square Error (MSE) dari
SMA, WMA, dan EMA.

Gambar 2.10. Syntax Menghitung Nilai MSE

6
3 Pembahasan

Pada data harga historis saham Amazon.com yang telah praktikan ambil
menggunakan R dengan kode finansial “AMZN” yang berkurun waktu dari 1
September 2018 sampai 1 September 2019 berikut merupakan datanya. data
tersebut yang tunjukan seperti berikut.

Gambar 3.1. Data Harga Historis Saham Amazon.com

Dari data tersebut praktikan menggunakan data penutupan yang sudah
disesuaikan (adjusted price).
Selanjutnya praktikan melakukan peramalan data aktual dari saham tersebut
dengan menggunakan metode Simple Moving Average untuk mencari nilai rata-rata
sebagai ramalan untuk periode yang akan dating.

Gambar 3.2. Data Aktual dan Data SMA

7
 Dengan menggunakan periode sebanyak 5 praktikan menghitung nilai dari
Simple Moving Average. Jadi pada data SMA muncul angka peramalan pada data
ke-5 dan selanjutnya. Setelah melakukan peramalan data dengan metode SMA,
praktikan membuat plot untuk membandingkan apakah SMA sensitive terhadap
data actual

Gambar 3.3. Plot Perbandingan Data Aktual dan Data SMA

Pada plot diatas garis berwarna magenta merupakan data aktual dari saham
Amazon.com dan garis berwarna kuning merupakan data peramalan metode SMA
dimana data ini berjalan dari 1 september 2019 sampai 1 september 2019.
Selanjutnya praktikan menghitung peramalan data saham Amazon.com
tersebut dengan menggunakan metode Weighted Moving Average dimana metode
ini digunakan untuk penekanan pada setiap nilai data dengan menggunakan bobot,
pada kasus ini praktikan menggunakan panjang periode 5 dengan bobot 1 sampai
5.

8
 Gambar 3.4. Data Aktual, Data SMA, dan Data WMA
Didapatkanlah hasil dari peramalan dengan WMA pada data kelima adalah
1960.494 . Lalu, praktikan memasukan data tersebut ke dalam plot perbandingan
SMA dan data aktual. Agar dapat dilihat mana yang lebih sensitive apakah SMA
atau WMA terhadap data actual.

Gambar 3.5. Plot Perbandingan Data Aktual, Data SMA, dan Data WMA
Setelah ditambahkan plot data WMA yang berwarna cyan, terlihat peramalan
dengan WMA cenderung lebih sensitive mendekati data actual

9
 Selanjutnya praktikan melakukan permalan data dengan menggunakan
metode Exponential Moving Average (EMA). Metode EMA menempatkan bobot
lebih besar dan signifikansi pada titik data terbaru dimana rata-rata bergerak
tertimbang terhadap perubahan harga saat ini daripada pergerakan sederhana
(SMA).

Gambar 3.6. Data Aktual, Data SMA, dan Data EMA

Lalu, praktikan memasukan data tersebut ke dalam plot perbandingan SMA
dan data aktual. Agar dapat dilihat mana yang lebih sensitive apakah SMA atau
EMA terhadap data actual.

Gambar 3.7. Plot Perbandingan Data Aktual, Data SMA, dan Data EMA

10
 Pada Gambar 3.8 kembali memperlihatkan bahwa plot berwarna merah
yang merupakan plot dari peramalan Exponential Moving Average lebih sensitive
terhadap data actual dibandingkan plot SMA.
Kembali praktikan membuat sebuah plot untuk membandingkan ketiga plot
SMA,WMA,dan EMA mana yang lebih sensitive terhadap Data actual.

Gambar 3.8. Perbandingan Plot SMA, WMA, dan EMA tehadap Data actual
Terlihat bahwa plot yang berwarna cyan (WMA) lebih sensitive terhadap
plot magenta (Data Aktual). Ini menandakan metode WMA lebih sensitive pada
data actual pada kasus kali ini.
Selanjutnya adalah menhitung dari Mean Squared Error(MSE), yang
dimaksud agar ditemukannya nilai MSE yang paling kecil dari ketiga metode yang
telah digunakan tersebut. Semakin kecil Nilai MSE dari sebuah metode maka
metode itu makin bagus untuk digunakan dalam kasus.

Gambar 3.9. Perbandingan Nilai MSE Pada SMA, WMA, dan EMA

11
 Terlihat bahwa metode dari WMA lah yang paling cocok digunakan untuk
peramalan untuk kasus ini dikarenakan MSE dari WMA paling kecil diantara SMA
dan EMA. Hal ini didukung juga dari perbandingan plot- plotnya, plot dari WMA
lebih sensitive terhadap data actual.

12
4 Penutup

4.1 Kesimpulan

Dari berbagai hal yang telah dipaparkan pada laporan ini, praktikan
menyimpulkan beberapa hal sebagai berikut:
1. Praktikan dapat mengunduh data saham dengan menggunakan Rstudio.
2. Praktikan dapat melakukan peramalan data saham Amazon.com dari data
aktual selama 1 tahun.
3. Praktikan dapat membuat peramalan data denga metode Simple Moving
Average, Weighted Moving Average, dan Exponential Moving Average.
4. Hasil peramalan dari ketiga plot WMA merupaka n yang paling sensitive
daripada EMA dan SMA terhadap data aktual .
5. Nilai MSE terkecil terdapat pada metode peramalam WMA dengan nilai
868,1004.
6. Metode yang paling cocok digunakan untuk melakukan peramalan terhadap
saham Amazon.com ialah metode Weighted Moving Average.

13
5 Daftar Pustaka

Abbas, I. (2016). PENERAPAN METODE MOVING AVERAGE (MA)

BERBASIS ALGORITMA SUPPORT VECTOR MACHINE (SVM)
UNTUK MEMBANDINGKAN POLA KURVA DENGAN TREND
KURVA PADA TRADING FOREX ONLINE. 38-39.
Anwar, K. (2019, mei 10). Exponential Moving Average – Definisi EMA.
Retrieved from https://forexindonesia.org/belajarforex/exponential-
moving-average-definisi-ema.html
Ardiana, D. P., & Loekito, L. H. (2018). SISTEM INFORMASI PERAMALAN
PERSEDIAAN BARANG MENGGUNAKAN METODE WEIGHTED
MOVING AVERAGE. 72-72.
JustForex. (2016, Agustus 26). FITUR-FITUR EMA (EXPONENTIAL MOVING
AVERAGE) DI FOREX. Retrieved from JustFOREX:
https://justforexidn.com/id/education/forex-articles/exponential-moving-
average-on-forex
Kusumadewi, S., & Nurlifa, A. (2017). Sistem Peramalan Jumlah Penjualan
Menggunakan Metode Moving Average Pada Rumah Jilbab Zaky. 20-21.
Li, X. (2013). Comparison and Analysis between Holt Exponential Smoothing
and Brown Exponential Smoothing Used for Freight Turnover Forecast.
Third International Conference on Intelligent System Design and
Engineering Applications (pp. 453-456). IEEE.
Nugroho, A. (2017). SISTEM PERAMALAN DENGAN METODE WEIGHTED
MOVING AVERAGE UNTUK PERSEDIAAN TELUR AYAM
NEGERI PADA UD. BAROKAH. 1-2.
Nurhikmat, T. (2017). Analisis Runtun Waktu dengan R. Yogyakarta: UII Press.
Rachman, R. (2018). Penerapan Metode Moving Average dan Exponential
Smoothing pada Peramalan Produksi Industri Garment. 213.
Rahmah, A. (2012, desember 2). makalah analisa data berkala dengan moving
average. Retrieved from http://pimipindie.blogspot.com/2012/12/makalah-
analisa-data-berkala-dengan_3935.html
Walpole, R. E., Myers, R. H., Myers, S. L., & Ye, K. (2011). Probability &
Statistics for Engineers & Scientists 9th Ed. USA: Pearson.

14