I PENDAHULUAN

1.1 Latar Belakang

Investasi merupakan upaya mendapatkan keuntungan di kemudian waktu
dengan cara tertentu. Gitman et al. (2017) menyatakan: “investasi merupakan
penempatan sejumlah aset berupa harta benda yang diharapkan dapat
meningkatkan nilainya dan atau menciptakan pendapatan positif (positive
income)”. Terdapat berbagai macam instrumen investasi yang dapat digunakan,
seperti membeli sejumlah logam mulia, membeli sebidang tanah, menabung
sejumlah uang atau dengan membeli sejumlah saham. Berinvetasi dengan
membeli sejumlah saham cukup berisiko karena adanya pergerakan harga saham
yang fluktuatif.
Fluktuasi harga saham menyebabkan adanya ketidakpastian harga saham
untuk periode yang akan datang. Pergerakan secara fluktuatif mengakibatkan
terjadinya pelanggaran asumsi kestasioneran data dalam ragam dan rataan. Data
dapat dikatakan tidak stasioner dalam ragam apabila ragam dari keseluruhan
amatan tidak konstan terhadap waktu. Sementara data dapat dikatakan tidak
stasioner dalam rataan apabila rataan dari keseluruhan amatan tidak bergerak di
sekitar nilai nol. Pelanggaran asumsi kestasioneran data tersebut dapat diatasi
dengan menerapkan proses transformasi untuk ragam dan pembedaan
(differencing) untuk rataan. Pemenuhan asumsi kestasioneran data dibutuhkan
dalam proses peramalan data deret waktu agar hasil peramalan dapat lebih akurat.
Peramalan terhadap suatu data dilakukan agar pengambilan keputusan pada masa
mendatang lebih akurat.
Peramalan merupakan proses membuat asumsi tentang apa yang akan terjadi
berdasarkan objek yang diamati (Tsay 2000). Terdapat beberapa metode
peramalan data deret waktu seperti metode pemulusan (smoothing), metode
Autoregressive Intergrated Moving Average (ARIMA), Fuzzy Time Series (FTS)
berbasis rerata (Average-Based Fuzzy Time Series), dan metode peramalan
lainnya. ARIMA merupakan metode peramalan data deret waktu yang mampu
menangani data yang tidak stasioner dalam ragam dan rataan seperti harga saham
yang bergerak secara fluktuatif dengan proses transformasi dan pembedaan
(differencing). Metode FTS merupakan metode peramalan data deret waktu yang
menggunakan pendekatan logika fuzzy sebagai dasar proses perhitungan
peramalan. Berbeda dari model ARIMA, metode FTS tidak menghendaki
pemenuhan asumsi data deret waktu sehingga proses peramalan dapat dilakukan
untuk berbagai macam karakteristik data. Metode FTS berbasis rerata
menghasilkan akurasi peramalan yang lebih baik dibandingkan metode FTS biasa
karena perhitungan panjang kelas tiap interval dihitung menggunakan algoritma
panjang berbasis rerata. Penelitian ini menggunakan metode FTS berbasis rerata
dan model ARIMA untuk meramalkan data harga penutupan saham PT. United
Tractors Tbk.

1.2 Tujuan
Tujuan dari penelitian ini adalah membandingkan hasil peramalan model
ARIMA dengan metode Fuzzy Time Series berbasis rerata harga penutupan saham
PT. United Tractors Tbk.
 II TINJAUAN PUSTAKA

2.1 Saham
Saham merupakan salah satu instrumen pasar modal yang dapat digunakan
untuk penanaman sejumlah dana atau yang lebih dikenal dengan investasi.
Tandelilin (2010) menyatakan bahwa saham merupakan bukti kepemilikan suatu
individu atau lembaga atas suatu perusahaan yang menerbitkan saham dalam
bentuk sertifikat. Keuntungan yang didapat oleh pemilik saham dapat berupa
selisih dari harga beli dengan harga jual per lembar saham (capital gain) atau
pembagian laba perusahaan oleh penerbit saham (dividen). Menurut Darmadji dan
Fakhrudin (2006), terdapat beberapa jenis saham berdasarkan kinerjanya yang
dijelaskan sebagai berikut:
1. Saham unggulan (blue-chip stock)
Saham unggulan merupakan saham dari suatu perusahaan yang memiliki
reputasi tinggi, sebagai leader di industri sejenis, memiliki pendapatan yang
stabil serta konsisten dalam membayar dividen.
2. Saham pendapatan (income stock)
Saham pendapatan merupakan saham dari suatu emiten yang memiliki
kemampuan membayar dividen lebih tinggi dari rata-rata dividen yang
dibayarkan pada tahun sebelumnya dan rutin membayarkan dividen tunai.
3. Saham spekulatif (speculative stock)
Saham spekulatif merupakan saham dari suatu perusahaan yang tidak bisa
memperoleh laba secara konsisten dari tahun ke tahun akan tetapi memiliki
kemungkinan laba yang tinggi di masa mendatang meskipun belum pasti.
4. Saham siklikal (counter cyclical stock)
Saham siklikal merupakan saham yang tidak terlalu terpengaruh oleh
kondisi ekonomi makro maupun situasi bisnis secara umum. Nilai saham ini
umumya dapat tetap tinggi pada saat resesi ekonomi karena emitennya
mampu mendapatkan laba tinggi sehingga mampu memberikan dividen
yang tinggi.

2.2 Kestasioneran Deret Waktu

Data deret waktu (time series) dapat dikatakan stasioner apabila data
tersebut tidak dipengaruhi oleh perubahan waktu (Montgomery et al. 2008).
Secara visual suatu data deret waktu dapat dikatakan stasioner apabila pola
pergerakan data berfluktuasi di sekitar nilai rataan dan ragam yang relatif konstan
tiap waktu (Tsay 2010). Identifikasi kestasioneran data deret waktu dapat
dilakukan secara visual dengan melihat plot pergerakan data terhadap waktu.
Selain itu identifikasi juga dapat dilakukan dengan menerapkan uji Augmented
Dickey-Fuller (ADF). Uji ADF digunakan untuk menguji kestasioneran data. Uji
ADF dilakukan menggunakan suatu model 𝑦𝑡 yang diasumsikan mengikuti proses
AR orde ke-p. Model 𝑦𝑡 ditulis sebagai berikut (Harris dan Sollis 2003):
𝑦𝑡 = 𝜙1 𝑦𝑡−1 + 𝜙2 𝑦𝑡−2 + ⋯ + 𝜙𝑝 𝑦𝑡−𝑝 + 𝜀𝑡
keterangan
𝑦𝑡 : amatan pada periode ke-𝑡
 3

𝑦𝑡−𝑝 : amatan pada periode ke-(𝑡 − 𝑝)

𝜙𝑝 : koefisien model AR pada waktu ke-p
𝑡 : 1, 2, 3, … , 𝑇
𝜀𝑡 : galat pada waktu ke-t
Hipotesis pada uji ADF adalah
H0 : 𝜙 = 0 (𝑦𝑡 tidak stasioner)
H1 : 𝜙 < 0 (𝑦𝑡 stasioner)
Statistik uji yang digunakan adalah
𝜙̂
𝑡ℎ𝑖𝑡 =
𝑆𝐸(𝜙̂)
keterangan
𝜙̂ : penduga kuadrat terkecil bagi 𝜙
𝑆𝐸(𝜙) : galat baku dari (𝜙̂)
̂
Data deret waktu dikatakan stasioner apabila 𝑡ℎ𝑖𝑡 > 𝑡𝛼(𝑛−1) . Pada
2
kenyataannya data deret waktu tidak selalu stasioner. Ketidakstasioneran data
deret waktu dalam rataan dapat diatasi dengan proses pembedaan (differencing).
Sementara ketidakstasioneran dalam ragam dapat diatasi dengan proses
transformasi Box-Cox. Transformasi harus dilakukan sebelum proses pembedaan
dan analisis lainnya (Wei 2006).

2.2 Autoregressive Integrated Moving Average (ARIMA)

Autoregressive Integrated Moving Average (ARIMA) merupakan suatu
metode peramalan yang mampu meramalkan data deret waktu (time series) yang
stasioner dalam ragam dan rataan. Model ARIMA dapat dilakukan apabila data
memenuhi asumsi kestasioneran, namun pada kenyataannya sering kali data tidak
memenuhi asumsi kestasioneran dalam ragam dan rataan. Selain pemenuhan
asumsi kestasioneran umumnya diperlukan cukup banyak amatan untuk
menentukan model ARIMA terbaik pada objek yang diamati (Aman et al. 2018).
Untuk itu perlu dilakukan proses transformasi dan pembedaan (differencing)
sebanyak orde-d agar data stasioner dalam ragam dan rataan. Model ARIMA
merupakan gabungan dari model AR (Autoregressive) dan MA (Moving Average)
dengan B adalah notasi untuk operator backshift dan (1 − 𝐵)𝑑 adalah operator
pembedaan orde-d. Secara umum model ARIMA(p,d,q) dapat dituliskan sebagai
berikut (Montgomery et al. 2008):
𝜙𝑝 (𝐵)(1 − 𝐵)𝑑 𝑦𝑡 = 𝜃𝑞 (𝐵)𝜀𝑡
dengan
𝜙𝑝 (𝐵) = (1 − 𝜙1 (𝐵1 ) − 𝜙2 (𝐵 2 ) − ⋯ − 𝜙𝑝 (𝐵𝑝 ))
𝜃𝑞 (𝐵) = (1 − 𝜃1 (𝐵1 ) − 𝜃2 (𝐵2 ) − ⋯ − 𝜃𝑞 (𝐵𝑞 ))
keterangan
𝑦𝑡 : pengamatan pada waktu ke-t
𝜙𝑝 : koefisien AR pada orde ke-p
𝜃𝑞 : koefisien MA pada orde ke-q
𝜀𝑡 : galat pada waktu ke-t
4

𝑑 : derajat pembedaan
𝐵 : operator backshift
Model ARIMA dibentuk melalui tahapan-tahapan sebagai berikut:
1. Identifikasi Model
Identifikasi model ARIMA dilakukan berdasarkan pola yang terlihat pada
plot korelasi diri (ACF) dan korelasi diri parsial (PACF) dari data yang
sudah stasioner. Plot ACF dan PACF memiliki pola turun secara lambat
(tails off) dan turun secara cepat (cuts off). Ciri dari model AR(p) adalah
adanya pola cuts off pada plot PACF setelah lag ke-p sementara ciri dari
model MA(q) adalah adanya pola cuts off pada plot ACF setelah lag ke-q.
Apabila pada kedua plot ACF dan PACF menunjukkan pola tails off dan
atau cuts off hal tersebut mengindikasikan adanya model ARMA(p,q). Tabel
berikut merupakan perilaku teoretis plot ACF dan PACF untuk proses yang
stasioner.
Tabel 1 Perilaku teoretis model AR(p), MA(q), dan
ARMA(p,q) pada plot ACF dan PACF
Model ACF PACF
AR(p) Tails off Cuts off setelah lag ke-p
MA(q) Cuts off setelah lag ke-q Tails off
ARMA(p,q) Tails off dan atau cuts off Tails off dan atau cuts off

2. Pendugaan parameter
Model ARIMA diperoleh dengan cara mensubtitusi penduga parameternya
ke dalam persamaan umum model ARIMA. Terdapat beberapa metode
pendugaan parameter seperti metode momen, maximum likelihood, dan least
square yang dapat digunakan untuk menduga parameter pada model tentatif
(Montgomery et al. 2008).
3. Uji signifikansi parameter
Uji signifikansi parameter dilakukan menggunakan uji t-student (Aswi dan
Sukarna 2006). Langkah-langkah uji signifikansi parameter dijelaskan
sebagai berikut:
a) Model yang digunakan untuk uji signifikansi parameter
𝜙𝑝 (𝐵)(1 − 𝐵)𝑑 𝑦𝑡 = 𝜃𝑞 (𝐵)𝜀𝑡
dengan
𝜙𝑝 (𝐵) = (1 − 𝜙1 (𝐵1 ) − 𝜙2 (𝐵 2 ) − ⋯ − 𝜙𝑝 (𝐵 𝑝 ))
𝜃𝑞 (𝐵) = (1 − 𝜃1 (𝐵1 ) − 𝜃2 (𝐵 2 ) − ⋯ − 𝜃𝑞 (𝐵 𝑞 ))
b) Hipotesis uji signifikansi parameter model AR
H0 : 𝜙𝑝 = 0 (parameter tidak signifikan)
H1 : 𝜙𝑝 ≠ 0 (parameter signifikan)
Hipotesis uji signifikansi parameter model MA
H0 : 𝜃𝑞 = 0 (parameter tidak signifikan)
H1 : 𝜃𝑞 ≠ 0 (parameter signifikan)
c) Statistik uji signifikansi parameter
 5

𝑑𝑢𝑔𝑎𝑎𝑛 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑒𝑟
𝑡ℎ𝑖𝑡 = ; 𝑆𝐸 (𝑔𝑎𝑙𝑎𝑡 𝑏𝑎𝑘𝑢) 𝑑𝑢𝑔𝑎𝑎𝑛 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑒𝑟 ≠ 0
𝑆𝐸 𝑑𝑢𝑔𝑎𝑎𝑛 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑒𝑟
d) Kriteria pengambilan keputusan
Tolak H0 apabila |𝑡ℎ𝑖𝑡 | > 𝑡𝛼(𝑛−1) dengan interpretasi parameter model
2
signifikan.
Jika terdapat salah satu parameter yang tidak signifikan maka kembali ke
langkah 1.
4. Diagnostik model
Diagnostik model dilakukan untuk memeriksa sisaan model bersifat white
noise atau tidak (Beevi et al. 2019). Langkah-langkah diagnostik model
dijelaskan sebagai berikut (Cryer dan Chan 2008):
a) Hipotesis uji Ljung-Box
H0 : tidak terdapat autokorelasi sisaan
H1 : terdapat autokorelasi sisaan
b) Statistik uji Ljung-Box adalah
𝑟̂12 𝑟̂22 𝑟̂𝐾2
𝑄 = 𝑛(𝑛 + 2) ( + +⋯+ )
𝑛−1 𝑛−2 𝑛−𝐾
keterangan
𝑄 : statistik uji Ljung-Box
𝑛 : banyaknya amatan
𝐾 : banyaknya lag yang diamati
𝑟̂𝑖 : dugaan korelasi sisaan pada lag ke-i dengan 𝑖 = 1, 2, … , 𝐾
c) Kriteria pengambilan keputusan
Tolak H0 apabila statistik uji 𝑄 > 𝜒 2 (𝐾−𝑝−𝑞) .
Jika terdapat autokorelasi antar sisaan maka kembali ke langkah 1.
5. Overfitting
Overfitting merupakan upaya mendapatkan model terbaik dengan
penambahan atau pengurangan orde parameter AR(p) dan atau MA(q) dari
model tentatif yang sudah diperoleh. Model terbaik merupakan model
dengan parameter yang signifikan serta deret sisaan yang tidak memiliki
autokorelasi.
6. Pemilihan model ARIMA terbaik dengan kriteria nilai Akaike’s Information
Criterion (AIC) terkecil. Nilai AIC dihitung dengan rumus (Wei 2006):
𝐴𝐼𝐶 = −2 ln[𝑚𝑎𝑥𝑖𝑚𝑢𝑚 𝑙𝑖𝑘𝑒𝑙𝑖ℎ𝑜𝑜𝑑] + 2𝑀
dengan 𝑀 adalah banyaknya parameter di dalam model.

2.3 Metode Fuzzy Time Series

Fuzzy Time Series (FTS) merupakan sebuah metode peramalan data deret
waktu temuan Song dan Chissom pada tahun 1993. Metode FTS merupakan
gabungan dari logika fuzzy dan analisis deret waktu (Aidid et al. 2020). Song dan
Chissom (1993) secara umum menjelaskan pengertian FTS sebagai berikut: misal
𝑌(𝑡)(𝑡 = 1,2,3, … ) adalah himpunan semesta untuk himpunan fuzzy yang
terdefinisikan sebagai 𝑓𝑖 (𝑡)(𝑖 = 1,2, … ) dan 𝐹(𝑡) merupakan kumpulan dari
himpunan fuzzy 𝑓𝑖 (𝑡)(𝑖 = 1,2, … ), maka 𝐹(𝑡) merupakan FTS untuk 𝑌(𝑡).
6

Chen (1996) dalam jurnal yang berjudul Forecasting Enrollments Based on

Fuzzy Time Series mengemukakan algoritma peramalan data deret waktu
menggunakan metode FTS dengan langkah-langkah sebagai berikut:
1. Menentukan himpunan semesta
Himpunan semesta (𝑈) merupakan semesta dari objek yang diamati dengan
anggota nilai minimum dan maximum. Himpunan semesta dapat dituliskan
sebagai berikut:
𝑈 = [𝐷𝑚𝑖𝑛 − 𝐷1 , 𝐷𝑚𝑎𝑥 + 𝐷2 ]
dengan 𝐷𝑚𝑖𝑛 merupakan nilai terkecil dari amatan, 𝐷𝑚𝑎𝑥 merupakan nilai
terbesar dari amatan dan 𝐷1 , 𝐷2 merupakan nilai positif yang sesuai agar
batas atas dan batas bawah bernilai bulat.
2. Membagi U menjadi beberapa interval yang sama panjang.
3. Menentukan himpunan fuzzy (𝐴) untuk himpunan semesta (𝑈) yang telah
terbentuk pada langkah 1. Himpunan fuzzy (𝐴) merupakan kelas-kelas yang
dibentuk dengan batasan fuzzy yang kemudian akan digunakan sebagai dasar
pehitungan untuk proses peramalan. Himpunan fuzzy didefinisikan sebagai
berikut:
𝑓𝐴 (𝑢1 ) 𝑓𝐴 (𝑢2 ) 𝑓𝐴 (𝑢𝑛 )
𝐴= + + ⋯+
𝑢1 𝑢2 𝑢𝑛
4. Fuzzifikasi data menggunakan himpunan fuzzy (𝐴) yang telah dibentuk.
Fuzzifikasi merupakan perubahan bentuk nilai riil (crisp) menjadi bentuk
samar (fuzzy) dengan memetakan nilai riil ke dalam himpunan fuzzy yang
bersesuaian.
5. Menentukan Fuzzy Logical Relationship (FLR) dan Fuzzy Logical
Relationship Group (FLRG)
a) FLR merupakan suatu bentuk hubungan dari 𝐹(𝑡) dan 𝐹(𝑡 − 1) di
mana 𝐹(𝑡) disebabkan oleh 𝐹(𝑡 − 1). Misal 𝐹(𝑡) = 𝐴𝑖 dan 𝐹(𝑡 −
1) = 𝐴𝑗 , maka hubungan tersebut dapat dinotasikan sebagai 𝐴𝑖 → 𝐴𝑗
dengan 𝐴𝑖 disebut sebagai left-hand side (LHS) dan 𝐴𝑗 sebagai right-
hand side (RHS).
b) FLRG merupakan pengelompokan FLR dengan LHS yang sama.
Pembentukan FLRG dapat diilustrasikan sebagai berikut:
𝐴𝑖 → 𝐴𝑗1 , 𝐴𝑖 → 𝐴𝑗2 , 𝐴𝑖 → 𝐴𝑗3
karena adanya kesamaan LHS (𝐴𝑖 ) pada ilustrasi di atas, maka FLRG
yang terbentuk adalah 𝐴𝑖 → 𝐴𝑗1 , 𝐴𝑗2 , 𝐴𝑗3 .
6. Defuzzifikasi
Defuzzifikasi merupakan perubahan kembali bentuk nilai fuzzy menjadi
bentuk nilai riil (crisp). Hasil dari proses ini merupakan nilai peramalan
untuk metode FTS. Defuzzifikasi dilakukan dengan aturan sebagai berikut:
a) Jika hasil fuzzifikasi data pada periode ke-i adalah 𝐴𝑖 dan hanya
terdapat satu FLR pada FLRGnya dengan notasi sebagai berikut:
𝐴𝑖 → 𝐴𝑗
 7

dimana 𝐴𝑖 serta 𝐴𝑗 dan derajat keanggotaan 𝐴𝑖 bernilai maksimum

pada interval 𝑢𝑗 dengan nilai tengah dari 𝑢𝑗 adalah 𝑚𝑗 , maka
defuzzifikasi periode ke-𝑖 + 1 adalah 𝑚𝑗 .
b) Jika hasil fuzzifikasi data pada periode ke-i adalah 𝐴𝑖 dan terdapat
beberapa FLR pada FLRGnya dengan notasi sebagai berikut:
𝐴𝑖 → 𝐴𝑗1
𝐴𝑖 → 𝐴𝑗2
⋮
𝐴𝑖 → 𝐴𝑗𝑝
dimana 𝐴𝑖 serta 𝐴𝑗1 , 𝐴𝑗2 , … , 𝐴𝑗𝑝 dan derajat keanggotaan
𝐴𝑗1 , 𝐴𝑗2 , … , 𝐴𝑗𝑝 bernilai maksimum pada interval 𝑢1 , 𝑢2 , … , 𝑢𝑝 dengan
nilai tengah dari 𝑢1 , 𝑢2 , … , 𝑢𝑝 adalah 𝑚1 , 𝑚2 , … , 𝑚𝑝 , maka
(𝑚1 +𝑚2 +⋯+𝑚𝑝 )
defuzzifikasi periode ke-𝑖 + 1 adalah .
𝑝
c) Jika hasil fuzzifikasi data pada periode ke-i adalah 𝐴𝑖 dan FLRG
merupakan sebuah himpunan kosong dengan notasi sebagai berikut:
𝐴𝑖 → 𝑁𝐴
dimana derajat keanggotaan 𝐴𝑖 bernilai maksimum pada interval 𝑢𝑖
dengan nilai tengah dari 𝑢𝑖 adalah 𝑚𝑖 , maka defuzzifikasi periode ke-
𝑖 + 1 adalah 𝑚𝑖 .

2.4 Metode Fuzzy Time Series Berbasis Rerata

Metode Fuzzy Time Series berbasis rerata merupakan pengembangan dari
metode Fuzzy Time Series. Perbedaan yang terdapat pada metode FTS berbasis
rerata dengan metode FTS terletak pada penentuan panjang intervalnya. Panjang
interval dihitung menggunakan algoritma berbasis rerata sehingga perhitungan
panjang interval lebih akurat (Anifah dan Rachmawati 2019). Algoritma FTS
berbasis rerata dijelaskan sebagai berikut (Xihao dan Yimin 2008):
1. Menghitung selisih absolut dari 𝐴𝑖+1 dan 𝐴𝑖 (𝑖 = 1, 2, … , 𝑛 − 1) dan
menghitung nilai rata-rata dari jumlah selisih absolut.
2. Menghitung setengah nilai dari hasil rata-rata jumlah selisih absolut pada
langkah 1.
3. Menetapkan basis pembulatan nilai rata-rata interval yang akan dibentuk
berdasarkan hasil pada langkah 2 sesuai dengan acuan pada Tabel 2.

Tabel 2 Nilai pemetaan basis rerata

Rentang Basis
0,1 – 1,0 0,1
1,1 – 10 1
11 – 100 10
101 – 1000 100

4. Bulatkan nilai tersebut sesuai dengan basisnya dan nilai tersebut adalah
panjang interval berbasis rerata.
8

Panjang interval yang telah didapat dari algoritma metode Fuzzy Time
Series berbasis rerata kemudian diterapkan ke dalam metode FTS pada subbab
Fuzzy Time Series.

2.5 Kriteria Pemilihan Model

Pemilihan model terbaik dilakukan dengan membandingkan nilai galat
peramalan dari metode yang digunakan. Suatu metode dapat dikatakan lebih baik
dibandingkan dengan metode lainnya apabila nilai galat peramalan yang
dihasilkan lebih kecil (Cynthia et al. 2019). Pada penelitian ini digunakan Mean
Absolute Percentage Error (MAPE) dan Root Mean Squared Error (RMSE)
sebagai tolak ukur galat peramalan. Nilai MAPE dan RMSE dapat dihitung
dengan menggunakan rumus berikut (Montgomery et al. 2008):
𝑛
1 𝐴𝑡 − 𝐹𝑡
𝑀𝐴𝑃𝐸 = ∑ | |
𝑛 𝐴𝑡
𝑡=1

𝑛
(𝐴𝑡 − 𝐹𝑡 )2
𝑅𝑀𝑆𝐸 = √∑
𝐴𝑡
𝑡=1

keterangan:
𝐴𝑡 : nilai pengamatan pada waktu ke-t
𝐹𝑡 : nilai dugaan pada waktu ke-t
𝑛 : banyaknya amatan
 III METODE

3.1 Data
Data yang digunakan dalam penelitian ini merupakan harga penutupan
(close price) saham PT. United Tractors Tbk yang diperoleh dari laman Yahoo
Finance. Data dibagi menjadi dua bagian, yaitu data latih dan data uji. Data latih
merupakan data dari 2 Januari 2017 s.d. 15 Juni 2020 sebanyak 883 periode
sementara data uji merupakan data dari 16 Juni 2020 s.d. 29 Juni 2020 sebanyak
10 periode.

3.2 Prosedur Analisis Data

Analisis data dalam penelitian ini menggunakan perangkat lunak Microsoft
Excel, SAS 9.4, dan RStudio dengan bantuan paket “AnalyzeTS”. Langkah-langkah
dari masing-masing tahap dijelaskan sebagai berikut:
1. Melakukan eksplorasi data menggunakan plot deret waktu untuk
mengetahui pola pergerakan data.
2. Melakukan pemodelan ARIMA
a) Identifikasi kestasioneran data deret waktu nilai penutupan harga
saham melalui plot ACF dan PACF serta uji ADF.
b) Identifikasi model tentatif melalui plot ACF dan PACF dari data yang
sudah stasioner.
c) Melakukan diagnostik model untuk menguji kelayakan model tentatif
dengan melihat signifikansi penduga parameter dan galat (𝜀𝑡 ) sudah
memenuhi asumsi white noise menggunakan uji Ljung-Box.
d) Menentukan model terbaik dengan nilai AIC terkecil.
e) Melakukan peramalan menggunakan model terbaik.
3. Melakukan pemodelan Fuzzy Time Series Berbasis Rerata
a) Mendefinisikan himpunan semesta U dengan 𝑈 = [𝐷𝑚𝑖𝑛 , 𝐷𝑚𝑎𝑥 ]. 𝐷𝑚𝑖𝑛
adalah nilai harga penutupan saham terendah dan 𝐷𝑚𝑎𝑥 adalah nilai
harga penutupan saham tertinggi.
b) Menentukan banyaknya interval dengan panjang kelas yang sama
panjang menggunakan algoritma panjang berbasis rerata sehingga
diperoleh n kelompok (𝑢1 , 𝑢2 , 𝑢3 , … , 𝑢𝑛 ).
c) Fuzzifikasi data.
d) Menentukan FLR (Fuzzy Logical Relationship) dan FLRG (Fuzzy
Logical Relationship Group) berdasarkan RHS dan LHS yang telah
terbentuk.
4. Melakukan defuzzifikasi untuk mendapatkan nilai peramalan.
5. Membandingkan akurasi peramalan kedua metode menggunakan nilai
MAPE dan RMSE pada data latih dan data uji.
 IV HASIL DAN PEMBAHASAN

4.1 Eksplorasi Data Nilai Harga Penutupan Saham

Plot data nilai harga penutupan saham PT. United Tractors Tbk pada
Gambar 1 menunjukkan adanya pergerakan harga saham yang cukup fluktuatif.
Pada awal periode 2017 s.d. awal 2018 nilai harga penutupan saham cenderung
memiliki pola pergerakan tren positif (uptrend) dengan peningkatan harga saham
sebesar 88,25% dari Rp21.250,00 menjadi Rp40.000,00. Sementara pada
pertengahan periode 2018 s.d. pertengahan periode 2020 nilai harga penutupan
saham cenderung memiliki pola pergerakan tren negatif (downtrend) dengan
penurunan harga saham sebesar -59,03% dari Rp39.975,00 menjadi Rp16.375,00
meskipun setelahnya terdapat sedikit kecenderungan pergerakan secara positif.
Harga penutupan saham tertinggi yang tercatat selama periode 2017 – 2020
adalah sebesar Rp40.425,00 pada tanggal 23 Januari 2018. Sementara harga
terendah yang tercatat pada periode tersebut adalah sebesar Rp12.600,00 pada
tanggal 19 Maret 2020.

Gambar 1 Plot deret waktu harga penutupan saham PT. United Tractors Tbk

4.2 Pembentukan Model ARIMA

Model ARIMA dapat digunakan apabila data sudah stasioner dalam ragam
dan rataan. Langkah pertama yang dilakukan dalam pembentukan model ARIMA
adalah mengidentifikasi kestasioneran dalam ragam dan rataan. Gambar 1
menunjukkan bahwa data harga penutupan saham belum stasioner dalam ragam
dan rataan. Pernyataan tersebut didukung oleh hasil uji Augmented Dickey-Fuller
(ADF) yang tersaji pada Lampiran 1 dengan nilai-p yang lebih besar dari 0,05
yaitu 0,3179 dengan interpretasi bahwa data tidak stasioner. Selain uji ADF,
ketidakstasioneran data juga ditunjukkan oleh pola tails off plot ACF yang tersaji
pada Gambar 2. Data yang stasioner seharusnya menunjukkan pola cuts off pada
plot ACF.
 11

Gambar 2 Plot ACF data nilai harga penutupan saham

Ketidakstasioneran tersebut dapat diatasi dengan melakukan transformasi
Box-Cox menggunakan nilai 𝜆 sebesar 0,5 agar data stasioner dalam ragam dan
pembedaan (differencing) sebanyak satu kali agar data stasioner dalam rataan.
Hasil transformasi data tersaji pada Lampiran 2. Data yang telah diterapkan
transformasi dan pembedaan sebanyak satu kali akan memiliki pola seperti yang
terlihat pada Gambar 3. Pola yang terbentuk pada data yang telah stasioner akan
memiliki kecenderungan bergerak di sekitar nilai rataan dan memiliki keragaman
yang rendah. Keragaman data setelah proses transformasi dan pembedaan yang
rendah ditunjukan oleh nilai pada sumbu-y dengan rentang nilai antara -10 sampai
10.

Gambar 3 Plot deret waktu harga saham setelah transformasi dan pembedaan
Uji Augmented Dickey-Fuller juga dilakukan pada data setelah diterapkan
transformasi dan pembedaan. Hasil uji ADF pada Lampiran 1 menunjukkan nilai-
p dari data yang telah stasioner lebih kecil dari taraf nyata 5% yaitu 0,0100
dengan interpretasi bahwa data sudah stasioner. Identifikasi model tentatif
ARIMA dilakukan dengan melihat plot ACF dan PACF dari data yang sudah
stasioner. Gambar 4 menunjukkan pola cuts off pada plot ACF dan PACF data
yang telah stasioner dalam ragam dan rataan.
12

Gambar 4 (a) Plot ACF data stasioner (b) Plot PACF data stasioner
Berdasarkan Gambar 4 plot ACF dan PACF nyata pada lag ke-2, sehingga
dengan transformasi Box-Cox 𝜆 = 0,5 dan pembedaan satu kali model tentatif
yang terbentuk adalah ARIMA(2,1,2). Model terbaik didapatkan melalui
pengepasan (overfitting) dengan menambahkan atau mengurangi nilai pada orde p
dan atau q. Hasil overfitting untuk model ARIMA(2,1,2) tersaji pada Tabel 3.
Tabel 3 Nilai dugaan parameter identifikasi model
sementara data nilai harga saham
Model Tipe Koefisien AIC
AR(1)* 0,3276
ARIMA(1,1,1) 3655,91
MA(1)* 0,4212
AR(1)* 0,8742
ARIMA(2,1,1) AR(2) 0,0617 3659,30
MA(1)* 0,9556
AR(1) 0,9322
AR(2) -0,5831
ARIMA(2,1,2) 3655,85
MA(1) 1,0229
MA(2) -0,6071
AR(1) 0,9991
AR(2)* -0,3628
ARIMA(2,1,3) MA(1) 1,0860 3657,56
MA(2)* -0,3813
MA(3)* -0,0464
AR(1) 1,0666
AR(2)* -0,4561
ARIMA(3,1,2) AR(3)* 0,0393 3657,60
MA(1) 1,1539
MA(2)* -0,4822
*parameter tidak signifikan pada taraf nyata 5%
 13

Beberapa hasil overfitting yang tersaji pada Tabel 3, ARIMA(2,1,2)

merupakan model terbaik. Hal tersebut didukung dengan nilai-p uji Ljung-Box
yang lebih besar dari taraf nyata 5% untuk semua lag dengan interpretasi bahwa
model ARIMA(2,1,2) tidak memiliki autokorelasi pada residualnya. Hasil uji
Ljung-Box didukung oleh plot ACF dan PACF sisaan model ARIMA(2,1,2) pada
Lampiran 3 yang sebagian besar tidak nyata pada semua lag. Nilai AIC pada
model ARIMA(2,1,2) juga merupakan yang terkecil di antara model-model
lainnya. Oleh karena itu, model ARIMA(2,1,2) ditetapkan sebagai model terbaik
untuk deret harga penutupan saham dengan nilai AIC sebesar 3655,85. Hasil
pendugaan parameter model ARIMA(2,1,2) untuk deret harga penutupan saham
adalah:
(1 − 0,9322𝐵 + 0,5831𝐵 2 )(1 − 𝐵)√𝑦𝑡 = (1 − 1,0229𝐵 + 0,6071𝐵 2 )𝜀𝑡
atau dapat ditulis menjadi persamaan sebagai berikut
√𝑦𝑡 − 𝐵√𝑦𝑡 − 0,9322𝐵 √𝑦𝑡 + 0,9322𝐵 2 √𝑦𝑡 + 0,5831𝐵 2 √𝑦𝑡 −
0,5831𝐵 3 √𝑦𝑡 = 𝜀𝑡 − 1,0229𝐵𝜀𝑡 + 0,6071𝐵 2 𝜀𝑡 (1)

√𝑦𝑡 − 1,9322𝐵 √𝑦𝑡 + 0,9322𝐵 2 √𝑦𝑡 + 0,5831𝐵 2 √𝑦𝑡 − 0,5831𝐵 3 √𝑦𝑡 = 𝜀𝑡 −

1,0229𝐵𝜀𝑡 + 0,6071𝐵 2 𝜀𝑡 (2)

√𝑦𝑡 = 1,9322 𝐵√𝑦𝑡 − 0,9332𝐵 2 √𝑦𝑡 − 0,5831𝐵 2 √𝑦𝑡 + 0,5831𝐵 3 √𝑦𝑡 + 𝜀𝑡 −

1,0229𝐵𝜀𝑡 + 0,6071𝐵 2 𝜀𝑡 (3)

√𝑦𝑡 = 1,9322√𝑦𝑡−1 − 0,9322√𝑦𝑡−2 − 0,5831√𝑦𝑡−2 + 0,5831√𝑦𝑡−3 + 𝜀𝑡 −

1,0299𝜀𝑡−1 + 0,6071𝜀𝑡−2 (4)
Hasil dari model ARIMA adalah bahwa harga saham PT. United Tractors
Tbk dipengaruhi oleh harga saham satu periode, dua periode, dan tiga periode
sebelumnya serta dipengaruhi oleh faktor-faktor lain di luar model.

4.3 Pembentukan Model Fuzzy Time Series Berbasis Rerata

Data deret waktu harga penutupan saham PT. United Tractors Tbk memiliki
nilai minimum sebesar 12.600 dan nilai maksimum sebesar 40.425, maka
himpunan semesta didefinisikan sebagai 𝑈 = [12600,40425]. Selanjutnya
himpunan semesta yang sudah dibentuk dibagi menjadi beberapa interval yang
sama panjang. Dalam metode FTS berbasis rerata, panjang tiap interval yang
terbentuk ditentukan dengan algoritma panjang berbasis rerata. Panjang interval
yang disarankan oleh algortima panjang berbasis rerata adalah 200. Setelah
membagi himpunan semesta dengan panjang yang didapat, banyak interval yang
terbentuk adalah 139 yang selanjutnya disebut sebagai himpunan fuzzy. Nilai
batas bawah, batas atas, dan nilai tengah masing-masing himpunan fuzzy dapat
dilihat pada Lampiran 4.
Himpunan fuzzy yang sudah terbentuk selanjutnya dijadikan acuan untuk
melakukan proses fuzzifikasi data pada nilai harga penutupan saham. Nilai harga
penutupan saham dipetakan ke dalam bentuk himpunan fuzzy sesuai dengan
rentang di mana nilai tersebut berada. Hasil fuzzifikasi data harga penutupan
saham dapat dilihat pada Lampiran 5. Setelah dilakukan fuzzifikasi, selanjutnya
dibentuk Fuzzy Logical Relationship (FLR) seperti yang tersaji pada Lampiran 6.
14

Fuzzy Logical Relationship Group (FLRG) dibentuk berdasarkan Left Hand

Side (LHS) yang sama pada FLR yang telah terbentuk. Hasil dari FLRG ini yang
kemudian akan dijadikan acuan untuk proses defuzzifikasi sehingga didapatkan
nilai peramalan harga penutupan saham. FLRG yang terbentuk tersaji pada
Lampiran 7.

4.4 Perbandingan Hasil Peramalan

Perbandingan akurasi peramalan dapat dilakukan secara visual dan analitik.
Secara visual perbandingan akurasi peramalan dilakukan dengan cara
membandingkan nilai dugaan dan nilai aktualnya menggunakan plot deret waktu.
Sementara secara analitik perbandingan akurasi peramalan data deret waktu
dilakukan dengan cara membandingkan nilai galat peramalan antar metode.
Dalam penelitian ini digunakan nilai MAPE dan RMSE sebagai tolak ukur galat
peramalan. Secara visual suatu metode peramalan dapat dikatakan baik apabila
plot nilai dugaan dan plot nilai aktualnya memiliki pola yang sama atau serupa.
Gambar 5 merupakan plot deret waktu dari nilai aktual dan nilai peramalan model
ARIMA pada data latih sebanyak 883 amatan.

Gambar 5 Plot nilai aktual vs nilai peramalan model ARIMA

Berdasarkan Gambar 5 plot nilai ramalan dan plot nilai aktual memiliki pola
yang hampir serupa dengan interpretasi bahwa model ARIMA(2,1,2) bekerja
secara baik untuk peramalan data deret waktu nilai harga penutupan saham PT.
United Tractors Tbk periode 2017 – 2020. Model ARIMA(2,1,2) memiliki nilai
MAPE sebesar 2,74% dan RMSE sebesar 978,491 untuk data latih sebanyak 883
amatan.
Metode FTS berbasis rerata juga bekerja cukup baik untuk pemodelan nilai
harga penutupan saham. Hal tersebut didukung dengan kemiripan antara plot nilai
ramalan dan nilai aktualnya seperti yang tersaji pada Gambar 6.
 15

Gambar 6 Plot nilai aktual vs nilai peramalan FTS berbasis rerata

Metode FTS berbasis rerata memiliki nilai MAPE sebesar 1,67% dan RMSE
sebesar 590,528 untuk data latih sebanyak 883 amatan. Secara visual terdapat
sedikit perbedaan antara kemiripan yang ditunjukkan oleh plot ramalan model
ARIMA dan metode FTS berbasis rerata pada data latih harga penutupan saham
PT. United Tractors Tbk untuk 883 amatan. Hal tersebut menunjukkan bahwa
kedua metode dapat bekerja secara baik dalam meramalkan nilai harga penutupan
saham PT. United Tractors Tbk.
Berdasarkan Gambar 5 dan Gambar 6 serta perhitungan nilai MAPE dan
RMSE metode FTS berbasis rerata bekerja lebih baik sebagai metode pemodelan
data deret waktu untuk data harga penutupan saham PT. United Tractors Tbk
periode 2017 – 2020. Nilai MAPE dan RMSE pada metode FTS berbasis rerata
lebih kecil jika dibandingkan dengan nilai MAPE dan RMSE model ARIMA.
Selanjutnya akan dilakukan peramalan pada data uji sebanyak 10 periode
menggunakan kedua metode untuk melihat akurasi peramalan data di luar model.
Hasil peramalan data deret waktu harga penutupan saham dengan
menggunaan model ARIMA dan metode FTS berbasis rerata serta nilai MAPE
dan RMSE dapat dilihat pada Tabel 6. Nilai MAPE yang diperoleh dengan
metode FTS berbasis rerata sebesar 2,16% dan RMSE sebesar 430,277.
Sementara nilai MAPE yang diperoleh dengan model ARIMA sebesar 3,05% dan
RMSE sebesar 639,696. Nilai MAPE dan RMSE pada metode FTS berbasis rerata
lebih kecil dibandingkan dengan model ARIMA. Hal tersebut menunjukkan
bahwa metode FTS berbasis rerata bekerja lebih baik dibandingkan dengan model
ARIMA untuk meramalkan data harga penutupan saham PT. United Tractors Tbk
periode 2017 – 2020.

Tabel 4 Nilai aktual dan hasil peramalan serta MAPE dan RMSE
FTS Berbasis
Aktual ARIMA
Periode Rerata
(Rp) (Rp)
(Rp)
6/16/2020 16.950,00 15.824,96 16.603,60
6/17/2020 17.700,00 17.935,92 17.003,96
6/18/2020 17.650,00 17.909,62 17.737,95
16

FTS Berbasis
Aktual ARIMA
Periode Rerata
(Rp) (Rp)
(Rp)
6/19/2020 17.850,00 17.165,36 17.737,95
6/22/2020 16.900,00 18.066,92 17.571,13
6/23/2020 16.575,00 15.927,14 17.003,96
6/24/2020 16.750,00 16.815,46 16.403,42
6/25/2020 16.475,00 17.056,21 17.104,05
6/26/2020 16.475,00 16.157,37 16.403,42
6/29/2020 16.700,00 16.620,55 16.403,42
MAPE 3,05% 2,16%
RMSE 639,696 430,277

Secara visual perbandingan hasil peramalan model ARIMA dan FTS

berbasis rerata pada data uji dilakukan dengan membandingkan plot nilai aktual
dan nilai peramalan harga penutupan saham seperti tersaji pada Gambar 7. Plot
nilai ramalan metode FTS berbasis rerata lebih menyerupai pola nilai aktual
dengan interpretasi bahwa peramalan menggunakan metode FTS berbasis rerata
lebih baik dibandingkan dengan model ARIMA.

Gambar 7 Plot data aktual dan data hasil peramalan menggunakan model ARIMA
dan FTS berbasis rerata
 V SIMPULAN

5.1 Simpulan
Hasil dari model ARIMA menunjukkan bahwa nilai harga penutupan saham
PT. United Tractors Tbk dipengaruhi oleh harga saham satu periode, dua periode,
dan tiga periode sebelumnya serta faktor-faktor lain di luar model. Berdasarkan
perbandingan secara visual dan analitik, dapat disimpulkan bahwa metode FTS
berbasis rerata bekerja lebih baik dibandingkan dengan model ARIMA dalam
meramalkan harga penutupan saham PT. United Tractors Tbk periode 2017 –
2020.
 DAFTAR PUSTAKA

Aidid MK, Nusrang M, Vivianti. 2020. Implementasi Metode Fuzzy Time Series
untuk Peramalan Jumlah Pengunjung di Benteng Fort Rotterdam. Journal of
Statistics and Its Application on Teaching and Research. 2(1): 1−12. doi:
10.35580/variansiunm12895.
Aman Z, Ezzine L, Fattah J, Moussami HE, Lacchab A. 2018. Forecasting of
Demand Using ARIMA Model. International Journal of Engineering.
Anifah L, Rachmawati MD. 2019. Prediksi Curah Hujan Menggunakan Metode
Average Based dan High Order Fuzzy Time Series di Bandar Udara Juanda.
Journal Information Engineering and Educational Technology. 3(1): 11−15.
doi: 10.26740/jieet.v3n1.
Aswi. Sukarna. 2006. Analisis Deret Waktu: Teori dan Aplikasi. Ed pertama.
Makassar (ID): Andira Publisher.
Beevi MS, Fathima SSA, Kannan KS. 2019. Comparison of Fuzzy Time Series
and ARIMA Model. International Journal of Scientific and Technology
Research.
Box GEP, Jenkins GM, Ljung GM, Reinsel GC. 2016. Time Series Analysis:
Forecasting and Control. 5th ed. New Jersey (US): J Wiley, Inc.
Chen MS. 1996. Fuzzy Sets and System. Forecasting enrollments based on fuzzy
time series. 81(1): 311−319.
Cryer DJ, Chan SK. 2008. Time Series Analysis With Application in R. New
York (US): Springer Publishing.
Cynthia EP, Rahmawati, Susilowati K. 2019. Metode Fuzzy Time Series Chen
dalam Memprediksi Jumlah Wisatawan di Provinsi Sumatera Barat. Journal
of Education Informatic Technology and Science. 1(1): 11−23.
Darmadji T, Fakhrudin MH. 2006. Pasar Modal di Indonesia: Pendekatan Tanya
Jawab. Jakarta (ID): Salemba Empat.
Gitman LJ, Joehnk MD, Smart SB. 2017. Fundamentals of Investing. 13th ed.
Harlow (GB): Pearson Education Limited.
Harris R, Sollis R. 2003. Applied Time Series Modelling and Forecasting.
Chicester (GB): J Wiley, Inc.
Montgomery DC, Jennings CL, Kulahci M. 2008. Introduction to Time Series
Analysis and Forecasting. New Jersey (US): J Wiley, Inc.
Song Q, Chissom BS. 1993. Fuzzy Time Series and Its Models. Fuzzy Sets and
Systems. 54(1): 269−277.
Tandelilin E. 2010. Portofolio dan Investasi. Ed pertama. Yogyakarta (ID):
Kanisius.
Tsay RS. 2000. Time Series and Forecasting: Brief History and Future Research.
Journal of the American Statistical Association. 95(450): 638−643.
Tsay RS. 2010. Analysis of Financial Time Series. 3rd ed. New Jersey (US): J
Wiley, Inc.
Wei WWS. 2006. Time Series Analysis: Univariate and Multivariate Methods.
New York (US): Pearson Education.
Xihao S, Yimin L. 2008. Average-Based Fuzzy Time Series Models for
Forecasting Shanghai Compound Index. World Journal of Modelling and
Simulation. 4(2):104−111.
 LAMPIRAN

Lampiran 1 Hasil Uji Augmented Dickey-Fuller

Nilai-p
Deret Sebelum Setelah
pembedaan pembedaan
Harga penutupan saham 0,3179 0,0100

Lampiran 2 Hasil Transformasi Box-Cox

Periode Transformasi Periode Transformasi Periode Transformasi Periode Transformasi
1/2/2017 145.7737974 2/1/2018 196.977156 2/1/2019 161.5549442 2/4/2020 137.0218961
1/3/2017 144.9137675 2/2/2018 197.9898987 2/4/2019 162.0185175 2/5/2020 136.9306394
1/4/2017 146.2873884 2/5/2018 196.4051934 2/5/2019 162.0185175 2/6/2020 136.7479433
1/5/2017 148.2396708 2/6/2018 194.1648784 2/6/2019 162.9417074 2/7/2020 137.113092
1/6/2017 147.3091986 2/7/2018 196.2141687 2/7/2019 162.788206 2/10/2020 135.1850583
1/9/2017 147.9864859 2/8/2018 196.8501969 2/8/2019 160.3901493 2/11/2020 134.2572158
1/10/2017 148.1553239 2/9/2018 196.468827 2/11/2019 159.2953232 2/12/2020 133.041347
1/11/2017 147.6482306 2/12/2018 194.0360791 2/12/2019 157.5595126 2/13/2020 132.7591805
1/12/2017 145.6880228 2/13/2018 194.0360791 2/13/2019 158.9024858 2/14/2020 135.3698637
1/13/2017 148.0709289 2/14/2018 194.229246 2/14/2019 159.8436736 2/17/2020 135.4621718
1/16/2017 146.7991826 2/15/2018 194.2935923 2/15/2019 158.1929202 2/18/2020 135.4621718
⋮ ⋮ ⋮ ⋮
1/17/2018 194.1648784 1/17/2019 163.8596961 1/20/2020 146.628783 6/15/2020 126.984251
1/18/2018 192.8730152 1/18/2019 164.0883908 1/21/2020 145.1723114 6/16/2020 130.1921657
1/19/2018 193.3907961 1/21/2019 163.8596961 1/22/2020 143.5270009 6/17/2020 133.041347
1/22/2018 196.2778643 1/22/2019 161.5549442 1/23/2020 142.6534262 6/18/2020 132.8533026
1/23/2018 201.0596926 1/23/2019 163.0950643 1/24/2020 142.126704 6/19/2020 133.6038922
1/24/2018 200 1/24/2019 163.1716887 1/27/2020 141.1559421 6/22/2020 130
1/25/2018 199.9374902 1/25/2019 162.5576821 1/28/2020 140.9787218 6/23/2020 128.7439319
1/26/2018 199.1230775 1/28/2019 162.1727474 1/29/2020 141.509717 6/24/2020 129.3251716
1/29/2018 199.4993734 1/29/2019 160.1561738 1/30/2020 141.3329403 6/25/2020 128.3549765
1/30/2018 196.2141687 1/30/2019 160.9347694 1/31/2020 138.5640646 6/26/2020 128.3549765
1/31/2018 197.2308292 1/31/2019 160.3901493 2/3/2020 138.1122732 6/29/2020 129.2284798
 20

Lampiran 3 Plot ACF dan PACF sisaan ARIMA(2,1,2) harga penutupan saham

Lampiran 4 Batas bawah, batas atas dan nilai tengah himpunan fuzzy
Fuzzy Fuzzy
Batas bawah Batas atas Nilai tengah Batas bawah Batas atas Nilai tengah
Set Set
A1 12600.00 12800.18 12700.09 A71 26612.59 26812.77 26712.68
A2 12800.18 13000.36 12900.27 A72 26812.77 27012.95 26912.86
A3 13000.36 13200.54 13100.45 A73 27012.95 27213.13 27113.04
A4 13200.54 13400.72 13300.63 A74 27213.13 27413.31 27313.22
A5 13400.72 13600.90 13500.81 A75 27413.31 27613.49 27513.40
A6 13600.90 13801.08 13700.99 A76 27613.49 27813.67 27713.58
A7 13801.08 14001.26 13901.17 A77 27813.67 28013.85 27913.76
A8 14001.26 14201.44 14101.35 A78 28013.85 28214.03 28113.94
A9 14201.44 14401.62 14301.53 A79 28214.03 28414.21 28314.12
A10 14401.62 14601.80 14501.71 A80 28414.21 28614.39 28514.30
A11 14601.80 14801.98 14701.89 A81 28614.39 28814.57 28714.48
A12 14801.98 15002.16 14902.07 A82 28814.57 29014.75 28914.66
A13 15002.16 15202.34 15102.25 A83 29014.75 29214.93 29114.84
A14 15202.34 15402.52 15302.43 A84 29214.93 29415.11 29315.02
A15 15402.52 15602.70 15502.61 A85 29415.11 29615.29 29515.20
A16 15602.70 15802.88 15702.79 A86 29615.29 29815.47 29715.38
A17 15802.88 16003.06 15902.97 A87 29815.47 30015.65 29915.56
A18 16003.06 16203.24 16103.15 A88 30015.65 30215.83 30115.74
A19 16203.24 16403.42 16303.33 A89 30215.83 30416.01 30315.92
A20 16403.42 16603.60 16503.51 A90 30416.01 30616.19 30516.10
A21 16603.60 16803.78 16703.69 A91 30616.19 30816.37 30716.28
A22 16803.78 17003.96 16903.87 A92 30816.37 31016.55 30916.46
A23 17003.96 17204.14 17104.05 A93 31016.55 31216.73 31116.64
A24 17204.14 17404.32 17304.23 A94 31216.73 31416.91 31316.82
A25 17404.32 17604.50 17504.41 A95 31416.91 31617.09 31517.00
A26 17604.50 17804.68 17704.59 A96 31617.09 31817.27 31717.18
A27 17804.68 18004.86 17904.77 A97 31817.27 32017.45 31917.36
A28 18004.86 18205.04 18104.95 A98 32017.45 32217.63 32117.54
A29 18205.04 18405.22 18305.13 A99 32217.63 32417.81 32317.72
A30 18405.22 18605.40 18505.31 A100 32417.81 32617.99 32517.90
 2121

Fuzzy Fuzzy
Batas bawah Batas atas Nilai tengah Batas bawah Batas atas Nilai tengah
Set Set
A31 18605.40 18805.58 18705.49 A101 32617.99 32818.17 32718.08
A32 18805.58 19005.76 18905.67 A102 32818.17 33018.35 32918.26
A33 19005.76 19205.94 19105.85 A103 33018.35 33218.53 33118.44
A34 19205.94 19406.12 19306.03 A104 33218.53 33418.71 33318.62
A35 19406.12 19606.29 19506.21 A105 33418.71 33618.88 33518.79
A36 19606.29 19806.47 19706.38 A106 33618.88 33819.06 33718.97
A37 19806.47 20006.65 19906.56 A107 33819.06 34019.24 33919.15
A38 20006.65 20206.83 20106.74 A108 34019.24 34219.42 34119.33
A39 20206.83 20407.01 20306.92 A109 34219.42 34419.60 34319.51
A40 20407.01 20607.19 20507.10 A110 34419.60 34619.78 34519.69
A41 20607.19 20807.37 20707.28 A111 34619.78 34819.96 34719.87
A42 20807.37 21007.55 20907.46 A112 34819.96 35020.14 34920.05
A43 21007.55 21207.73 21107.64 A113 35020.14 35220.32 35120.23
A44 21207.73 21407.91 21307.82 A114 35220.32 35420.50 35320.41
A45 21407.91 21608.09 21508.00 A115 35420.50 35620.68 35520.59
A46 21608.09 21808.27 21708.18 A116 35620.68 35820.86 35720.77
A47 21808.27 22008.45 21908.36 A117 35820.86 36021.04 35920.95
A48 22008.45 22208.63 22108.54 A118 36021.04 36221.22 36121.13
A49 22208.63 22408.81 22308.72 A119 36221.22 36421.40 36321.31
A50 22408.81 22608.99 22508.90 A120 36421.40 36621.58 36521.49
A51 22608.99 22809.17 22709.08 A121 36621.58 36821.76 36721.67
A52 22809.17 23009.35 22909.26 A122 36821.76 37021.94 36921.85
A53 23009.35 23209.53 23109.44 A123 37021.94 37222.12 37122.03
A54 23209.53 23409.71 23309.62 A124 37222.12 37422.30 37322.21
A55 23409.71 23609.89 23509.80 A125 37422.30 37622.48 37522.39
A56 23609.89 23810.07 23709.98 A126 37622.48 37822.66 37722.57
A57 23810.07 24010.25 23910.16 A127 37822.66 38022.84 37922.75
A58 24010.25 24210.43 24110.34 A128 38022.84 38223.02 38122.93
A59 24210.43 24410.61 24310.52 A129 38223.02 38423.20 38323.11
A60 24410.61 24610.79 24510.70 A130 38423.20 38623.38 38523.29
A61 24610.79 24810.97 24710.88 A131 38623.38 38823.56 38723.47
A62 24810.97 25011.15 24911.06 A132 38823.56 39023.74 38923.65
A63 25011.15 25211.33 25111.24 A133 39023.74 39223.92 39123.83
A64 25211.33 25411.51 25311.42 A134 39223.92 39424.10 39324.01
A65 25411.51 25611.69 25511.60 A135 39424.10 39624.28 39524.19
A66 25611.69 25811.87 25711.78 A136 39624.28 39824.46 39724.37
A67 25811.87 26012.05 25911.96 A137 39824.46 40024.64 39924.55
A68 26012.05 26212.23 26112.14 A138 40024.64 40224.82 40124.73
A69 26212.23 26412.41 26312.32 A139 40224.82 40425.00 40324.91
A70 26412.41 26612.59 26512.50
 22

Lampiran 5 Hasil fuzzifikasi data harga penutupan saham

Harga Saham Harga Saham Harga Saham
No Fuzzifikasi No Fuzzifikasi No Fuzzifikasi
(Rp) (Rp) (Rp)
1 21250 NA 310 32500 A100 510 27950 A77
2 21000 A44 311 32050 A100 511 27950 A77
3 21400 A42 312 32400 A98 512 27150 A77
4 21975 A44 313 32700 A99 513 27600 A73
5 21700 A47 314 32000 A101 514 27350 A75
6 21900 A46 315 32000 A97 515 27350 A74
7 21950 A47 316 32000 A97 516 27350 A74
8 21800 A47 317 31800 A97 517 27325 A74
9 21225 A46 318 32000 A96 518 27575 A74
10 21925 A44 319 32000 A97 519 29000 A75
⋮ ⋮ ⋮
300 35175 A116 500 29075 A84 884 16950 A18
301 36075 A113 501 29300 A86 885 17700 A22
302 34900 A118 502 29300 A83 886 17650 A26
303 35975 A112 503 29425 A84 887 17850 A26
304 36225 A117 504 28700 A84 888 16900 A27
305 36450 A119 505 29125 A85 889 16575 A22
306 35200 A120 506 28650 A81 890 16725 A20
307 33700 A113 507 28825 A83 891 16475 A21
308 33700 A106 508 28825 A81 892 16475 A20
309 32575 A106 509 27950 A82 893 16700 A20
 23

Lampiran 6 Fuzzy logical relationship

No Periode Aktual FLR No Periode Aktual FLR
1 1/2/2017 Rp21.250,00 A44→NA 600 4/29/2019 Rp26.950,00 A72→A75
2 1/3/2017 Rp21.000,00 A42→A44 601 4/30/2019 Rp27.175,00 A73→A72
3 1/4/2017 Rp21.400,00 A44→A42 602 5/1/2019 Rp27.175,00 A73→A73
4 1/5/2017 Rp21.975,00 A47→A44 603 5/2/2019 Rp26.825,00 A72→A73
5 1/6/2017 Rp21.700,00 A46→A47 604 5/3/2019 Rp26.625,00 A71→A72
6 1/9/2017 Rp21.900,00 A47→A46 605 5/6/2019 Rp26.925,00 A72→A71
7 1/10/2017 Rp21.950,00 A47→A47 606 5/7/2019 Rp27.150,00 A73→A72
8 1/11/2017 Rp21.800,00 A46→A47 607 5/8/2019 Rp27.150,00 A73→A73
9 1/12/2017 Rp21.225,00 A44→A46 608 5/9/2019 Rp26.100,00 A68→A73
10 1/13/2017 Rp21.925,00 A47→A44 609 5/10/2019 Rp26.250,00 A69→A68
⋮ ⋮
299 3/2/2018 Rp35.700,00 A116→A120 700 9/16/2019 Rp23.075,00 A53→A51
300 3/5/2018 Rp35.175,00 A113→A116 701 9/17/2019 Rp22.850,00 A52→A53
301 3/6/2018 Rp36.075,00 A118→A113 702 9/18/2019 Rp22.525,00 A50→A52
302 3/7/2018 Rp34.900,00 A112→A118 703 9/19/2019 Rp21.750,00 A46→A50
303 3/8/2018 Rp35.975,00 A117→A112 704 9/20/2019 Rp22.000,00 A47→A46
304 3/9/2018 Rp36.225,00 A119→A117 705 9/23/2019 Rp22.100,00 A48→A47
305 3/12/2018 Rp36.450,00 A120→A119 706 9/24/2019 Rp21.200,00 A43→A48
306 3/13/2018 Rp35.200,00 A113→A120 707 9/25/2019 Rp21.125,00 A43→A43
307 3/14/2018 Rp33.700,00 A106→A113 708 9/26/2019 Rp20.850,00 A42→A43
308 3/15/2018 Rp33.700,00 A106→A106 709 9/27/2019 Rp20.475,00 A40→A42
309 3/16/2018 Rp32.575,00 A100→A106 710 9/30/2019 Rp20.575,00 A40→A40
⋮ ⋮
501 12/11/2018 Rp29.075,00 A83→A86 884 6/16/2020 Rp16.950,00 A22→A18
502 12/12/2018 Rp29.300,00 A84→A83 885 6/17/2020 Rp17.700,00 A26→A22
503 12/13/2018 Rp29.300,00 A84→A84 886 6/18/2020 Rp17.650,00 A26→A26
504 12/14/2018 Rp29.425,00 A85→A84 887 6/19/2020 Rp17.850,00 A27→A26
505 12/17/2018 Rp28.700,00 A81→A85 888 6/22/2020 Rp16.900,00 A22→A27
506 12/18/2018 Rp29.125,00 A83→A81 889 6/23/2020 Rp16.575,00 A20→A22
507 12/19/2018 Rp28.650,00 A81→A83 890 6/24/2020 Rp16.725,00 A21→A20
508 12/20/2018 Rp28.825,00 A82→A81 891 6/25/2020 Rp16.475,00 A20→A21
509 12/21/2018 Rp27.950,00 A77→A82 892 6/26/2020 Rp16.475,00 A20→A20
510 12/24/2018 Rp27.950,00 A77→A77 893 6/29/2020 Rp16.700,00 A21→A20
 24

Lampiran 7 Fuzzy logical relationship group

No FLRG No FLRG
1 A1→A12 80 A80→A77,A79,A82,A87
2 A2→NA, 81 A81→A80,A82,A83
3 A3→NA, 82 A82→A77,A78,A79,A80,A81,A82,A84,A85
4 A4→A1 83 A83→A81,A82,A83,A84,A87
5 A5→A4 84 A84→A75,A84,A85,A86,A88
6 A6→NA, 85 A85→A81,A82,A85,A87,A90
7 A7→A7,A13 86 A86→A82,A83,A89
8 A8→A10 87 A87→A82,A85,A86,A87,A88,A90,A93
9 A9→A8 88 A88→A87,A90
10 A10→A5,A10,A13,A22 89 A89→A83,A86,A87,A89,A90,A92,A97
11 A11→NA, 90 A90→A85,A89,A90,A94
12 A12→A7,A9,A13 91 A91→A87,A89,A93
13 A13→A10,A12,A13,A14,A15,A16 92 A92→A90
14 A14→A12,A17 93 A93→A91,A97,A98
15 A15→A10,A13,A14,A15,A19 94 A94→A95,A96,A97
16 A16→A15,A19,A20 95 A95→A89,A96,A97,A99,A100
17 A17→A16 96 A96→A95,A96,A97,A98,A99
18 A18→A19,A22 97 A97→A91,A95,A96,A97,A98,A99,A100,A103
19 A19→A13,A15,A18,A19,A23 98 A98→A93,A94,A95,A96,A97,A98,A99,A100,A102,A104,A110,A112
20 A20→A18,A19,A20,A21 99 A99→A94,A96,A97,A98,A99,A101,A102,A103,A107
⋮ ⋮
40 A40→A38,A39,A40,A41,A43 120 A120→A113,A115,A116,A119,A120,A122
41 A41→A40,A41,A42,A44,A45 121 A121→A113,A121,A125
42 A42→A39,A40,A41,A42,A44,A46 122 A122→A117,A120,A122,A123,A125
43 A43→A40,A41,A42,A43,A45,A46,A47 123 A123→A123,A124
44 A44→A41,A42,A43,A44,A45,A46,A47,A49 124 A124→A122,A126,A130
45 A45→A41,A42,A43,A44,A45,A46,A54 125 A125→A118,A127
46 A46→A43,A44,A45,A46,A47 126 A126→A123,A126,A128,A130
47 A47→A43,A45,A46,A47,A48,A49,A50,A51 127 A127→A108,A127
48 A48→A43,A51,A54 128 A128→A124
49 A49→A44,A46,A47,A50,A53 129 A129→NA,
50 A50→A46,A49,A51,A52 130 A130→A126,A131,A132,A139
51 A51→A47,A48,A49,A51,A52,A53 131 A131→A130,A133
52 A52→A48,A50,A51,A53,A54,A55 132 A132→A131
53 A53→A46,A51,A52,A53,A55,A57 133 A133→A130
54 A54→A50,A52,A53,A54,A56 134 A134→NA,
55 A55→A53,A58 135 A135→NA,
56 A56→A54 136 A136→A130,A136
57 A57→A51,A53,A57,A60,A63 137 A137→A136,A137
58 A58→A59,A60 138 A138→NA,
59 A59→A60,A61,A62,A65 139 A139→A137
 RIWAYAT HIDUP

Penulis dilahirkan di Bandung pada tanggal 2 Februari 1997 dan merupakan

anak pertama dari tiga bersaudara dari pasangan Arief Rahman dan Tinte
Rosmiati. Tahun 2009 penulis menyelesaikan pendidikan sekolah dasar di SD IT
Al-Qalam, tahun 2012 menyelesaikan pendidikan sekolah menengah pertama di
SMP IT Nurul Fikri, dan tahun 2015 menyelesaikan pendidikan menengah atas di
SMA Negeri 1 Depok. Pada tahun yang sama penulis lulus seleksi masuk Institut
Pertanian Bogor (IPB) di Departemen Statistika melalui jalur Ujian Tulis Mandiri
(UTM).
Selama masa perkuliahan di Statistika IPB, penulis merupakan pengurus
Himpunan Profesi Gamma Sigma Beta (GSB) Statistika IPB sebagai anggota
divisi Survey and Research pada periode 2016 – 2017. Penulis melaksanakan
kegiatan Praktik Lapang di lembaga survei Indikator Politik pada bulan Juli
sampai dengan Agustus 2018.