Ppt yz2z

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)

RUMUSAN MASALAH

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?

3.

Bagaimanakah bentuk peramalan data runtun waktu dengan melihat nilai errornya?

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?

TUJUAN

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 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 : σ(𝑎𝑏𝑠𝑜𝑙𝑢𝑡 𝑑𝑎𝑟𝑖 𝑓𝑜𝑟𝑒𝑐𝑎𝑠𝑡 𝑒𝑟𝑟𝑜𝑟𝑠) 𝑀𝐴𝐷 = 𝑛  Mean Square Error (MSE)

Metode ini adalah untuk mengevaluasasi metode peramalan. Metode ini menghasilkan kesalahankesalahan sedang yang kemungkinan lebih baik untuk kesalahan kecil, tetapi terkadang menghasilkan perbedaan yang besar.

σ 𝑒𝑖2 σ(𝑥𝑖 − 𝑓𝑖 )2 𝑀𝑆𝐸 = = 𝑛 𝑛

 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. σ |𝑥𝑖 − 𝑓𝑖 | σ |𝑒𝑖 | × 100% × 100% 𝑥𝑖 𝑥𝑖 𝑀𝐴𝑃𝐸 = = 𝑛 𝑛  Tracking Signal

Tracking Signal adalah suatu ukuran bagaimana baiknya suatu peramalan memperkirakan nilai-nilai aktual. Nilai ini dapat dihitung dengan menggunakan rumus sebagai berikut : 𝑅𝑆𝐹𝐸 𝑇𝑟𝑎𝑐𝑘𝑖𝑛𝑔 𝑆𝑖𝑔𝑛𝑎𝑙 = 𝑀𝐴𝐷 Nilai RSFE diperoleh dari σ(𝑎𝑐𝑡𝑢𝑎𝑙 𝑑𝑒𝑚𝑎𝑛𝑑 𝑖𝑛 𝑝𝑒𝑟𝑖𝑜𝑑 𝑖 − 𝑓𝑜𝑟𝑒𝑐𝑎𝑠𝑡 𝑑𝑒𝑚𝑎𝑛𝑑 𝑖𝑛 𝑝𝑒𝑟𝑖𝑜𝑑 𝑖).

 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 : 𝐵𝐾𝐴 = 2,66 × 𝑀𝑅 𝐵𝐾𝐵 = −2,66 × 𝑀𝑅 𝑀𝑅 = | 𝐹𝑡−1 − 𝐴𝑡−1 − (𝐹𝑡 − 𝐴𝑡 )| σ 𝑀𝑅 𝑀𝑅| = 𝑛−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 : ′ 𝑆𝑡′ = 𝛼𝑋𝑡 + (1 − 𝛼)𝑆𝑡−1 ′′ 𝑆𝑡′′ = 𝛼𝑆𝑡′ + (1 − 𝛼)𝑆𝑡−1 ′′′ 𝑆𝑡′′′ = 𝛼𝑆𝑡′ + (1 − 𝛼)𝑆𝑡−1

𝑎𝑡 = 3𝑆𝑡′ − 3𝑆𝑡′′ + 𝑆𝑡′′′ 𝑏𝑡 =

𝛼 2 1−𝛼

2

6 − 5𝛼 𝑆𝑡′ − 10 − 8𝛼 𝑆𝑡′′ + 4 − 3𝛼 𝑆𝑡′′′

𝛼2 𝑐𝑡 = 1−𝛼

′ 2 (𝑆𝑡

+ 2𝑆𝑡′′ + 𝑆𝑡′′′

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  Pemulusan Trend  Pemulusan Musiman  Nilai Ramalan

St  

Xt  (1   )( St 1  bt 1 ) It l

bt   (St  St 1 )  (1   )bt 1 Xt It    (1   ) I t  L St 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 = α P + (1 - α)Q

Dimana nilai P dan Q berubah-ubah sesuai dengan model datanya. Rumus P dan Q untuk masing-masing model dapat dilihat sebagai berikut : 𝑋𝑡 𝑃= 𝐷𝑡−𝐿 𝑄 = 𝑆𝑡−1 𝐵𝑡−1 𝐹𝑡+𝑚 = 𝑆𝑡 𝐷𝑡−𝐿+𝑚 𝐵𝑇 𝑚

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 5 4 3 2 1

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73 75 77 79 81 83 85 87 89 91 93 95 97 99 101

0

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) < Brown (6.41172).

MAPE Winter (6.20653) < MAPE

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.