Anda di halaman 1dari 15

PENGGUNAAN METODE PERAMALAN DALAM

PENENTUAN HARGA SAHAM PERUSAHAAN


M3.INC
Kelompok 9:

Syarifah Zela Hafizah (H1091151001)

Lisa Noviani (H1091151014)

Kunti Wijayanti (H1091151017)

Bayu Mustika K. (H1091151031)

Elprida Riyani (H1091151049)


1. Bagaimana bentuk data trend dan musiman yang bersifat
multiplikatif?
2. Bagaimanakah penggunaan metode peramalan dalam
meramalkan data saham dengan menggunakan Metode
Pemulusan Ekponensial Triple Brown, Metode Winter, dan
Klasifikasi Pegels untuk harga saham berikutnya?
RUMUSAN 3. Bagaimanakah bentuk peramalan data runtun waktu dengan
melihat nilai errornya?
MASALAH 4. Bagaimanakan perbandingan nilai peramalan dari Metode
Pemulusan Ekponensial Triple Brown, Metode Winter, dan
Klasifikasi Pegels?
5. Bagaimana metode yang paling tepat untuk meramalkan harga
saham berikutnya?
1. Untuk mengetahui bentuk data trend dan musiman yang
bersifat multiplikatif.
2. Untuk mengetahui metode peramalan yang mana yang
digunakan sebagai panduan harga saham berikutnya.
3. Untuk mengetahui bentuk peramalan data runtun waktu
TUJUAN dengan melihat nilai errornya.
4. Untuk mengetahui perbandingan nilai peramalan dari Metode
Pemulusan Ekponensial Triple Brown, Metode Winter, dan
Klasifikasi Pegels
5. Untuk mengetahui metode yang paling tepat untuk
meramalkan harga saham berikutnya.
Pengertian Ramalan (Forecasting)

Ramalan yaitu memperkirakan sesuatu pada waktu-waktu yang akan datang


berdasarkan data masa lampau yang di analisis secara ilmiah, khususnya
menggunakan metode statistika (Sudjana, 1981:238).
Dua hal pokok yang harus diperhatikan dalam proses peramalan yang akurat
dan bermanfaat (Makridakis, 1999):
1.Pengumpulan data yang relevan berupa informasi yang dapat
menghasilkan peramalan yang akurat.
2. Pemilihan teknik peramalan yang tepat yang akan memanfaatkan
informasi data yang diperoleh semaksimal mungkin.
Pola Data Dalam Peramalan

Model deret berkala dapat digunakan dengan mudah untuk meramal. Peramalan harus
berdasarkan analisisnya pada pola data yang ada. Ada empat pola data yang lazim
dalam peramalan (Makridakis, 1999) :
Pola Horizontal
Pola Musiman
Pola Siklis
Pola Trend
Ukuran Akurasi Peramalan
Model-model peramalan yang dilakukan kemudian divalidasi menggunakan sejumlah indikator.
Indikator yang umum digunakan adalah
Mean Absolute Deviation (MAD)
Metode untuk mengevaluasi metode peramalan menggunakan jumlah dari kesalahan-kesalahan
absolut. Nilai MAD dapat dihitung dengan menggunakan rumus sebagai berikut :

( )
=

Mean Square Error (MSE)
Metode ini adalah untuk mengevaluasasi metode peramalan. Metode ini menghasilkan kesalahan-
kesalahan sedang yang kemungkinan lebih baik untuk kesalahan kecil, tetapi terkadang menghasilkan
perbedaan yang besar.

2 ( )2
= =

Mean Absolute Percentage Error (MAPE)
MAPE dihitung menggunakan kesalahan absolut pada tiap periode dibagi dengan nilai
observasi yang nyata untuk periode ini. MAPE mengindikasi seberapa besar kesalahan
dalam meramal yang dibandingkan dengan nilai nyata.

| | | |
100% 100%

= =

Tracking Signal
Tracking Signal adalah suatu ukuran bagaimana baiknya suatu peramalan
memperkirakan nilai-nilai aktual. Nilai ini dapat dihitung dengan menggunakan rumus
sebagai berikut :

=

Nilai RSFE diperoleh dari
( ).
Moving Range (MR)
Peta Moving Range dirancang untuk membandingkan nilai permintaan aktual
dengan nilai peramalan. Moving Range digunakan untuk menguji kestabilan
sistem sebab-akibat yang mempengaruhi permintaan. Rumus perhitungan peta
Moving Range adalah sebagai berikut :
= 2,66

= 2,66

= | 1 1 ( )|


| =
1
Metode Pemulusan Eksponensial Triple Satu Parameter Brown

Metode ini digunakan untuk data runtut waktu yang memiliki komponen trend dan tidak memperhitungkan komponen
musiman serta membutuhkan lebih sedikit data karena hanya satu parameter yang digunakan. (Makridakis, 1995)
menyatakan bahwa pernyataan yang dipakai dalam implementasi pemulusan eksponensial ganda satu parameter dari
Brown adalah sebagai berikut :

= + (1 )1

= + (1 )1

= + (1 )1
= 3 3 +

= 2
6 5 10 8 + 4 3
2 1
2
= 2 (
+ 2 +
1
Metode Pemulusan Eksponensial Winter

Metode Winter didasarkan pada tiga persamaan pemulusan yaitu, stasioneritas, trend dan
musiman. Untuk menganalisis metode peramalan Winters yang diterangkan kita menggunakan
paling sedikit satu data musim lengkap, untuk menentukan estimasi awal dari indeks musiman
yaitu menaksir faktor trend dari satu periode yang selanjutnya.
Pemulusan Keseluruhan
Xt
St (1 )( St 1 bt 1 )
Pemulusan Trend It l
bt (St St 1 ) (1 )bt 1
Pemulusan Musiman Xt
It (1 ) I t L
St
Nilai Ramalan
Ft m (St bt m) I t L m
Pemulusan Eksponensial Klasifikasi Pegels

Metode klasifikasi Pegels ini membantu kita dalam menyelesaikan berbagai kemungkinan model yang akan ditemui
dalam kasus-kasus peramalan. Terdapat sembilan kemungkinan model peramalan yang kesemuanya mempunyai
persamaan pemulusan eksponensial yang berbeda-beda untuk tiap model. Namun secara umum, rumus pemulusan
eksponensial dari seluruh model dapat dituliskan dengan :
St = P + (1 - )Q
Dimana nilai P dan Q berubah-ubah sesuai dengan model datanya. Rumus P dan Q untuk masing-masing model dapat
dilihat sebagai berikut :

=

= 1 1
+ = +
Studi kasus

Berikut ini adalah data pembelian dan penjualan saham oleh perusahaan
M3.inc dari tahun 1969 sampai tahun 1970 sebanyak 102 periode.
Data yang dianalisis dalam merupakan data sekunder yang diperoleh dari
link data yaitu https://datamarket.com. Berikut data harga saham
perusahaan M3.inc (lampiran 1).
Dari data di atas akan disajikan dalam
bentuk diagram sebagai berikut.
6

0
19

63

81
11
13
15
17

21
23
25
27
29
31
33
35
37
39
41
43
45
47
49
51
53
55
57
59
61

65
67
69
71
73
75
77
79

83
85
87
89
91
93
95
97
99
1
3
5
7
9

101
Berdasarkan pola dari diagram yang terlihat pada gambar di atas maka dapat
ditarik kesimpulan data mempunyai trend dan musiman yang bersifat multiplikatif.

Selanjutnya dilakukan mencari hasil ramalan atau forecast dengan menggunakan


Metode Brown, Metode Winter, dan Klasifikasi Pegels
Perbandingan Metode Metode Brown,
Metode Winter, dan Klasifikasi Pegels

Setelah kita melakukan perhitungan maka dapat dibandingkan nilai MAPE


dari Metode Brown, Metode Winter, dan Klasifikasi Pegels, selanjutnya
dapat diperoleh metode terbaik untuk meramalkan harga saham
berikutnya adalah dengan menggunakan metode Klasifikasi Pegels karena
Nilai MAPE Klasifikasi Pegels (5.89757) < MAPE Winter (6.20653) < MAPE
Brown (6.41172).
KESIMPULAN
Berdasarkan hasil peramalan dengan menggunakan tiga metode yaitu Metode Brown, Metode
Winter, dan Klasifikasi Pegels diperoleh bahwa metode yang tepat dalam meramalkan harga
saham berikutnya yaitu metode Klasifikasi Pegels dengan nilai Mean Absolute Percentage Error
(MAPE) terkecil dibandingkan Metode Winter dan Metode Brown.