iv

LAPORAN PENELITIAN

ANALISIS PERAMALAN INDEKS HARGA SAHAM PADA PERUSAHAAN

KONSTRUKSI YANG TERDAFTAR DI BURSA EFEK INDONESIA

TAHUN 2015-2019

Tim Peneliti:

Karnila Ali, B. Bus., M.P.A. (NIDN. 0204068502)

Mahasiswa:

Annisa Nur ‘Azizah (NPM. 16610135)

UNIVERSITAS MUHAMMADIYAH METRO

TAHUN 2020

v

ABSTRAK

Tujuan dari penelitian ini adalah untuk mengetahui metode apa yang sesuai

untuk meramalkan Indeks Harga Saham Pada Perusahaan Konstruksi yang

Terdaftar di Bursa Efek Indonesia Tahun 2015-2019.Dengan pemilihan model yang

sesuai dengan data deret waktu yang ada, untuk mengevaluasi hasil peramalan

tersebut maka peneliti menggunakan ukuran ketepatan dengan Mean Absolute

Percentage Error (MAPE), Mean Absolute Deviation (MAD), dan Mean Squared

Deviation (MSD). Jenis penelitian merupakan penelitian kuantitatif dengan populasi

penelitian 16 perusahaan yang terdaftar di Bursa Efek Indonesia, hanya 4 sampel

yang digunakan yang sesuai dengan kriteria yang telah ditentukan dan hanya lima

tahun penelitian yang dilakukan yaitu pada periode 2015 sampai 2019. Data

perusahaan dilihat dari data historis atau data aktual dan di Uji dengan

menggunakan software Minitab versi 19.

Hasil penelitian menunjukkan bahwametode yang dapat digunakan untuk

peramalan Indeks Harga Saham Perusahaan Konstruksi adalah Metode Double

Exponential Smoothing (Holt’s) dan Metode Double Moving Average. Perolehan nilai

error yang paling kecil dari ke empat perusahaan konstruksi yaitu perusahaan WSKT

dengan MAPE = 7.3, MAD = 148.8, dan MSD = 40506.0 untuk metode Holt’s dan

MAPE = 5.3, MAD = 110.1, dan MSD = 22006.9 untuk metode Double Moving

Average.

Kata Kunci : Peramalan, Indeks Harga Saham, Double Exponential Smoothing

(Holt’s), Double Moving Average, MAPE, MAD, MSD.

v

ABSTRACT

The purpose of this study is to find out what methods are suitable for

predicting the Stock Price Index of Construction Companies Listed on the Indonesia

Stock Exchange in 2015-2019. By selecting a model that matches the existing time

series data, to evaluate the results of the forecasting, the researcher uses a measure

of accuracy with Mean Absolute Percentage Error (MAPE), Mean Absolute Deviation

(MAD), and Mean Squared Deviation (MSD).This type of research is a quantitative

study with a research population of 16 companies listed on the Indonesia Stock

Exchange, only 4 samples were used that fit the specified criteria and only five years

of research were conducted, namely in the period 2015 to 2019. Company data can

be seen from historical data or actual data and tested using Minitab software version

19.

The results showed that the method that can be used for forecasting the

Construction Company Stock Price Index is the Double Exponential Smoothing

(Holt’s) Method and Double Moving Average Method. Obtaining the smallest error

value of the four construction companies, namely WSKT company with MAPE = 7.3,

MAD = 148.8, andMSD = 40506.0for method Holt’sand MAPE = 5.3, MAD = 110.1,

and MSD = 22006.9for methodDouble Moving Average.

Keywords : Forecasting, Stock Price Index, Double Exponential Smoothing

(Holt’s), Double Moving Average, MAPE, MAD, MSD.

vi

DAFTAR ISI

HALAMAN SAMPUL ................................................................................... i

ABSTRAK ................................................................................................... ii

ABSTRACT ................................................................................................. iii

DAFTAR ISI ................................................................................................. iv

DAFTAR TABEL ......................................................................................... ix

DAFTAR GRAFIK ....................................................................................... xi

DAFTAR GAMBAR ..................................................................................... xii

BAB I PENDAHULUAN

A. Latar Belakang Penelitian .................................................................. 1

B. Identifikasi dan Perumusan Masalah ................................................. 9

a) Identifikasi Masalah ............................................................... 9

b) Perumusan Masalah .............................................................. 9

C. Tujuan Penelitian............................................................................... 9

D. Kegunaan Penelitian ......................................................................... 10

E. Statistika Penulisan ........................................................................... 10

BAB II KAJIAN TEORITIK

A. Deskripsi Teori .................................................................................. 12

1. Pasar Modal ......................................................................... 12

2. Manfaat Pasar Modal ............................................................. 13

3. Teori Investasi ....................................................................... 13

4. Indeks Harga Saham ............................................................. 16

5. Pengertian Peramalan ........................................................... 19

6. Tujuan Peramalan ................................................................. 21

7. Jenis-jenis Peramalan............................................................ 21

8. Langkah-langkah Peramalan ................................................. 23

9. Macam-macam Pola Data ..................................................... 24

vii

10. Metode Peramalan ................................................................ 28

11. Metode Peramalan kuantitatif ................................................ 28

12. Evaluasi Metode/teknik Peramalan ........................................ 38

B. Hasil Penelitian Relevansi ................................................................. 41

C. Kerangka Pemikiran .......................................................................... 45

BAB III METODOLOGI PENELITIAN

A. Jenis Penelitian ................................................................................. 46

B. Obyek dan Lokasi Penelitian ............................................................ 46

C. Metode Penelitian.............................................................................. 47

a. Populasi ...................................................................................... 47

b. Sampel ....................................................................................... 49

D. Teknik Pengumpulan Data ................................................................ 49

E. Alat Analisis Data .............................................................................. 50

1. Model Seri Waktu (Time Series) ................................................. 50

a) Metode Rata-rata Bergerak (Moving Average Method) ........ 50

b) Metode Penghalusan Eksponensial (Exponential Smoothing

Method) ............................................................................... 55

2. Evaluasi Metode/Teknik Peramalan ........................................... 59

F. Pengujian Persyaratan Instrumen .................................................... 62

a. Uji Normalitas ............................................................................. 62

1. Uji Kolmogorov-Smirnov ....................................................... 62

G. Pengujian Persyaratan Analisis ........................................................ 62

1. Autokorelasi ............................................................................... 62

BAB IV HASIL DAN PEMBAHASAN

A. Gambaran Umum Objek Penelitian .................................................. 63

1. Sejarah Singkat Objek Penelitian ............................................... 63

2. Struktur Organisasi ..................................................................... 67

B. Hasil Penelitian ................................................................................ 69

1. Statistik Deskriptif ....................................................................... 69

a. Stasioneritas dalam Varians ................................................. 70

b. Stasioneritas dalam Mean .................................................... 73

viii

2. Metode Peramalan dan Uji Asumsi ............................................. 77

C. Pembahasan .................................................................................... 95

BAB V SIMPULAN DAN SARAN

A. Simpulan .......................................................................................... 97

B. Saran ............................................................................................... 98

DAFTAR PUSTAKA

ix

DAFTAR TABEL

Tabel Halaman

1. Kontribusi Konstruksi di Indonesia .................................................... 2

2. Hasil Penelitian Relevansi ................................................................ 43

3. Perusahaan Konstruksi yang Terdaftar di BEI Tahun 2015-2019 ..... 50

4. Pemilihan Sampel ............................................................................ 69

5. Daftar Perusahaan Konstruksi yang menjadi Sampel Penelitian ...... 70

6. Statistic Deskriptif Perusahaan Konstruksi ....................................... 72

7. Rekap Pemeriksaan Stasioneritas dalam Varians ............................ 76

8. Perbandingan MAPE, MAD, dan MSD ............................................. 101

x

DAFTAR GRAFIK

Grafik Halaman

1. Pergerakan Harga Saham Konstruksi Tahun 2015-2019 ................. 3

xi

DAFTAR GAMBAR

Gambar Halaman

1. Pola Gerakan Stasioner ................................................................... 26

2. Pola Gerakan Musiman .................................................................... 26

3. Pola Gerakan Siklis .......................................................................... 27

4. Pola Gerakan Trend ......................................................................... 27

5. Kerangka Pemikiran ......................................................................... 47

6. Struktur Organisasi Bursa Efek Indonesia ........................................ 71

7. Plot Time Series ke Empat Perusahaan Konstruksi ......................... 73

8. Box-CoxPlot Hasil Transformasi ....................................................... 75

9. Plot ACF Data IHS ke Empat Perusahaan ....................................... 78

10. Plot Time Series difference IHS ke Empat Perusahaan .................... 80

1

BAB I

PENDAHULUAN

A. Latar Belakang Penelitian

Industri konstruksi memberikan kontribusi bagi perekonomian suatu Negara

melalui kemampuan menyerap tenaga kerja tidak terampil, semi terampil dan

terampil. Proses konstruksi membutuhkan masukan berupa bahan baku dan

masukan dari industri lain seperti peralatan, tenaga kerja, tanah modal dan

pemasok jasa pekerjaan khusus. Industri konstruksi memiliki dampak tidak

langsung melalui sistem hubungan interaksi yang kompleks (Lean, 2011).

Industri konstruksi memiliki interaksi ekonomi yang signifikan dengan sektor lain

sebagai keterkaitan ke masa depan (forward linkage) maupun keterkaitan ke

masa lalu (backward linkage).

Sektor industri konstruksi di Indonesia merupakan bagian utama dari output

nasional yang cukup besar bagi Produk Domestik Bruto (PDB) Negara

Indonesia. Industri konstruksi menyumbang sebesar 10% per tahun dalam PDB

Indonesia dengan perkiraan pertumbuhan nilai konstruksi direntang 6,50%

hingga 8,51% (BMI) 2016. Sparta (2016) menunjukkan bahwa tingkat efisiensi

perusahaan secara signifikan dipengaruhi oleh pertumbuhan PDB.Pada tabel 1

menjelaskan perkiraan nilai konstruksi dan pertumbuhan nilai konstruksi yang

terus meningkat.Hal tersebut menunjukkan pentingnya peranan industri

konstruksi di Indonesia untuk pertumbuhan ekonomi, penyerapan tenaga kerja

dan pembangunan nasional.

2

Tabel 1.1 Kontribusi Konstruksi di Indonesia

Sumber : BMI report 2016

Salah satu pendorong meningkatnya industri konstruksi di Indonesia adalah

rencana pemerintah dalam membangun infrastrukstur dari tahun 2015 sampai

2019. Melalui Peraturan Presiden Nomor 58 Tahun 2017, pemerintah

menetapkan 245 proyek dalam daftar PSN dengan nilai total proyek mencapai

Rp. 4.417 Triliun. Proyek Strategi Nasional (PSN) merupakan target pemerintah

dalam mengejar ketertinggalan pembangunan infrastruktur di Indonesia,

pembangunan tersebut meliputi pembangunan jalan, Mass Rapid Transportation

System (MRT),bandara, pelabuhan, jalan kereta api dan transportasi lainnya

(Kemendag, 2015).

Performa sektor saham konstruksi, properti dan real estate mulai

menunjukkan kenaikan di tahun 2018, sektor saham ini mencatat kenaikan

4,30% year to date (ytd). Menurut Direktur Investa Saran Mandiri Hans Kwee

mengatakan, melihat sektor ini terdorong oleh tren suku bunga rendah dan

salah satu amunisi penggerak dari sektor property ini justru terdorong oleh

pergerakan saham-saham konstruksi. Sebagai contoh saham emiten BUMN

Konstruksi yang terpantau kompak melaju di zona hijau, yaitu perusahaan Adhi

3

Karya (Persero) Tbk., Pembangunan Perumahan (Persero) Tbk., Wijaya Karya

(Persero) Tbk., dan Waskita Karya (Persero) Tbk dari tahun 2015-2019 dapat

dilihat pada grafik berikut:

Grafik 1.1 Pergerakan Harga Saham ke Empat Perusahaan Konstruksi

Tahun 2015-2019

Sumber : Hasil OutputSoftware Minitab

Pada tahun 2017 harga saham emiten konstruksi sempat melemah,

dikarenakan sistem bisnis emiten konstruksi memang mengeluarkan uang

terlebih dahulu dengan jumlah besar, kemudian seiring dengan proyeknya

berjalan baru terima pembayaran.Sektor konstruksi semakin menjadi perhatian

mengingat kondisi yang ada pada saat ini tetap mampu dilirik oleh para

investor.Pasalnya perusahaan konstruksi salah satunya merupakan yang sering

diperhitungkan oleh para pemodal untuk menginvestasikan dananya.

Investasi di pasar modal dalam bentuk kepemilikan saham-saham

perusahaan atau bentuk-bentuk lainnya sangat menarik dan menggiurkan,

4

karena dapat menjanjikan keuntungan yang cukup besar dibanding produk lain

seperti emas dan deposito. Namun apabila salah perhitungan akan menjadi

suatu permasalahan yang sangat besar dan bahkan dapat membangkrutkan

orang dalam waktu singkat. Oleh karena itu, analisis merupakan faktor kunci

dalam keberhasilan trading (Wira, 2010).

Saham merupakan salah satu instrumen investasi yang banyak dipilih oleh

para investor, baik jangka pendek maupun jangka panjang. Yang menjadi

indikator penting bagi investor terutama dalam mengambil suatu keputusan

apakah mereka akan membeli, menjual, atau menahan saham tersebut dengan

menggunakan indeks harga saham. Karena biasanya pergerakan harga saham

dihitung setiap detik dan menit, oleh sebab itu nilai indeks bersifat fluktuatif atau

bergerak naik turun dalam hitungan waktu yang juga cepat.Oleh karena itu,

indeks harga saham dapat dijadikan sebagai landasan analisis atas kondisi

pasar terakhir (Widoatmodjo, 2009).

Indeks sejatinya adalah indikator ataupun ukuran atas sesuatu.Di dalam

dunia pasar modal, indeks atas saham maupun obligasi merupakan portofolio

imaginer yang mengukur perubahan harga dari suatu pasar atau sebagian dari

pasar tersebut.Pada saat indeks saham bergerak naik, berarti harga sebagian

besar saham-saham yang diukur oleh indeks tersebut bergerak naik.Sebaliknya,

apabila indeks saham bergerak turun, maka sebagian besar saham-saham

konstituen indeks bergerak turun.Dengan melihat pergerakan suatu indeks

saham, maka investor dapat mengetahui performa harga secara umum atas

saham-saham yang dimilikinya.Selain itu, investor juga dapat mengetahui

5

kondisi pasar saham secara umum apabila terjadi perubahan kebijakan dari

dalam maupun luar negeri.

Pergerakan indeks harga saham disuatu negara dapat dijadikan sebagai

salah satu tolak ukur untuk melihat kondisi perekonomian negara tersebut.

Menurut Lorrie, Dodd, dan Kimpton (1985:33) indeks harga saham merupakan

ringkasan dari dampak simultan dan kompleks atas berbagai macam faktor yang

berpengaruh, terutama fenomena-fenomena ekonomi. Bahkan saat ini, indeks

harga saham dijadikan barometer kesehatan ekonomi suatu negara serta

sebagai landasan analisa statistik atas kondisi pasar terakhir (current

market).Indeks harga saham suatu negara yang mengalami penurunan biasanya

disebabkan oleh kondisi perekonomian negara tersebut yang sedang mengalami

permasalahan.Sebaliknya indeks harga saham yang mengalami peningkatan

mengindikasikan adanya perbaikan kinerja perekonomian di negara tersebut

(Grestandhi, et.al, 2011).

Peramalan (forecasting) adalah seni atau ilmu untuk memperkirakan kejadian

di masa depan. Hal ini dapat dilakukan dengan melibatkan pengambilan data

historis dan memproyeksikannya ke masa mendatang dengan suatu bentuk

model sistematis.Atau bisa juga dengan menggunakan kombinasi model

matematis yang disesuaikan dengan manajer (Render dan Heizer,

2009:44).Peramalan adalah unsur utama setiap perencanaan, dimana

pemerkiraan ini dilakukan dengan mengamati dan mempelajari berbagai unsur

yang mempengaruhi serta tingkat perubahan unsur-unsur tersebut.

6

Teori dasar tentang peramalan harga saham adalah the Efficient Market

Hypothesis (EMH), yang menyatakan bahwa harga saham mencerminkan

semua informasi tersedia dan setiap orang memiliki beberapa tingkat akses ke

informasi itu.Implikasi dari EMH adalah dikatakan efisien apabila nilai sekuritas

setiap waktu mencerminkan semua informasi yang tersedia, yang

mengakibatkan harga suatu sekuritas berada pada tingkat

keseimbangnnya.Selain itu, dikatakan bahwa pasar bereaksi seketika ada berita

dan tidak ada yang dapat mengungguli pasar dalam jangka panjang

jalankan.Namun kontroversi terhadap tingkat efisiensi pasar banyak yang

percaya bahwa seseorang dapat menaklukkan pasar dalam waktu singkat

(Goldstein dan Gigerenzer, 2009).

Kemampuan peramalan kini semakin meningkat, karena dipercepat oleh

perekonomian dunia yang semakin kompleks. Peramalan dikelompokkan oleh

horizon waktu masa depan yang mendasarinya. Tiga kategori yang bermanfaat

bagi manajer adalah: 1. Peramalan jangka pendek, rentang waktunya mencapai

satu tahun tetapi umumnya kurang dari tiga bulan. Peramalan jangka pendek

digunakan untuk merencanakan pembelian, penjadwalan kerja, jumlah tenaga

kerja, penugasan dan tingkat produksi. 2. Peramalan jangka menengah,

biasanya berjangka tiga bulan hingga tiga tahun. Peramalan ini sangat

bermanfaat dalam perencanaan penjualan, perencanaan dan penganggaran

produksi, penganggaran kas, dan menganalisis berbagai rencana operasi.

3. Peramalan jangka panjang, rentang waktunya biasanya tiga tahun atau lebih.

Digunakan dalam merencanakan produk baru, pengeluaran modal, pemilihan

7

lokasi pabrik baru maupun perluasan (ekspansi), dan penelitian serta

pengembangan (Render dan Heizer, 2009:44).

Untuk melakukan peramalan diperlukan perhitungan yang akurat sehingga

diperlukan pendekatan yang tepat. Terdapat dua pendekatan umum yang

digunakan dalam peramalan yaitu:

1. Peramalan Kuantitatif yaitu menggunakan berbagai model matematis yang

menggunakan data historis dan atau variabel-variabel kausal untuk

meramalkan permintaan.

2. Peramalan Kualitatif yaitu memanfaatkan faktor-faktor penting seperti intuisi,

pengalaman pribadi, dan sistem nilai pengambilan keputusan.

Jenis pendekatan peramalan kuantitatif dapat dilihat dari data-data historis

tentang harga saham dari sekumpulan kejadian yang diambil dalam periode

waktu tertentu dimana bentuk datanya berupa data runtun waktu (time

series).Model peramalan kausal juga termasuk kedalam pendekatan kuantitatif,

dimana model kausal biasanya mempertimbangkan beberapa variabel yang

dikaitkan pada variabel yang sedang diprediksi.Metode yang digunakan dalam

pendekatan model kausal ini yaitu Metode Regresi Linear (Linear Regression).

Disebutkan bahwa peramalan deret waktu tergantung pada

trend/kecenderungan, cycle/siklus, season/musim, dan erratic events/kejadian

luar biasa (Hendra, 2009).

Dalam kesempatan ini akan dilakukan kajian terhadap Indeks Harga Saham

pada perusahaan konstruksi. Peramalan yang dilakukan dengan menggunakan

dua metode yang ada dalam analisis deret waktu, yaitu metode Moving Average

8

(rata-rata bergerak) dan Exponential Smoothing yang terlebih dahulu

diidentifikasi pola data untuk mendapatkan model yang terbaik yang akan

digunakan.

Untuk melakukan deteksi terhadap ketepatan hasil peramalan, maka

digunakan alat evaluasi peramalan seperti Mean Absolute Deviation (MAD),

Mean Absolute Percentage Error (MAPE), danMean Squared Deviation (MSD).

Dengan evaluasi peramalan tersebut dapat diketahui model peramalan manakah

yang lebih kecil tingkat kesalahannya (error) dalam menghitung peramalan.

Dengan adanya kajian tentang aplikasi model peramalan dapat menunjukkan

bahwa informasi terhadap kecenderungan peningkatan akurasi hasil peramalan

untuk kondisi tertentu, akan tetapi tidak ada bukti yang menunjukkan bahwa

suatu model peramalan dapat konsisten dan lebih baik dari model yang lainnya

(Song, 2008, Amstrong, 2005). Dengan adanya pemilihan model yang

sesuai.Maka diharapkan memberikan hasil yang lebih akurat.

Berdasarkan hal tersebut maka penulis termotivasi untuk melakukan

penelitian tentang “ANALISIS PERAMALAN INDEKS HARGA SAHAM PADA

PERUSAHAAN KONSTRUKSI YANG TERDAFTAR DI BURSA EFEK

INDONESIA PERIODE 2015-2019”.

9

B. Identifikasi dan Perumusan Masalah

a) Identifikasi Masalah

Dari beberapa uraian yang dikemukakan pada latar belakang, maka

dapat diidentifikasikan masalah-masalah sebagai berikut :

1. Pada sektor konstruksi sistem bisnis emiten mengeluarkan uang

terlebih dahulu dengan jumlah besar, kemudian seiring proyeknya

berjalan baru terima pembayaran. Hal ini juga masih menjadi bahan

pertimbangan bagi para investor dalam memilih saham perusahaan

konstruksi sebagai tempat investasinya. Maka dari itu, butuh adanya

analisis peramalan indeks harga saham perusahaan konstruksi dalam

pengambilan keputusan investasi di Bursa Efek Indonesia.

b) Perumusan Masalah

Adapun rumusan masalah dalam penelitian ini adalah sebagai

berikut:

1. Metode peramalan apa yang sesuai untuk peramalan indeks harga

saham perusahaan konstruksi di Bursa Efek Indonesia?

C. Tujuan Penelitian

Berdasarkan rumusan masalah tersebut, maka dapat diketahui tujuan

penelitian adalah sebagai berikut:

1. Untuk mengetahui metode peramalan apa yang sesuai untuk peramalan

indeks harga saham perusahaan konstruksi di Bursa Efek Indonesia.

10

D. Kegunaan Penelitian

Dari tujuan-tujuan penelitian di atas, maka manfaat yang dapat

diperoleh dari penelitian ini adalah sebagai berikut:

1. Bagi peneliti, dapat menambah wawasan dan pengetahuan dalam

memahami terutama yang berkaitan tentang indeks harga saham dan

investasi di pasar modal.

2. Bagi perusahaan, dapat memberikan kontribusi berupa masukan untuk

meningkatkan kinerja perusahaan dan memprediksi indeks harga saham di

periode selanjutnya,

3. Bagi investor, dapat dijadikan informasi awal serta acuan dalam menentukan

portofolio di pasar saham, dan untuk lebih memahami sifat dasar dan

karakteristik operasional sebagai dasar untuk melakukan investasi. Dapat

memberikan solusi yang tepat dalam mengambil keputusan untuk

berinvestasi.

E. Sistematika Penulisan

BAB I PENDAHULUAN

Bab ini menguraikan tentang latar belakang masalah, identifikasi

masalah, rumusan masalah tujuan dan kegunaan penelitian, serta

sistematika penulisan.

BAB II KAJIAN TEORITIK

Bab ini berisi tentang landasan teori yang digunakan sebagai acuan

bagi peneliti dasar dalam melakukan analisis.Di sini penulis menelaah

literatur serta penelitian terdahulu kemudian membentuk kerangka pemikiran

dan hipotesis.

11

BAB III METODOLOGI PENELITIAN

Bab ini menjelaskan tentang variabel penelitian dan definisi

operasional dari masing-masing variable tersebut, penentuan populasi dan

sampel, jenis dan sumber data, metode pengumpulan data serta metode

anaisis.

BAB IV HASIL DAN PEMBAHASAN

Bab ini menjelaskan mengenai analisis deskriptif dari objek penelitian

serta analisis data pengujian kerangka pemikiran dan interpretasi hasil.

BAB V SIMPULAN DAN SARAN

Bab ini berisi kesimpulan, keterbatasan dan saran yang dapat

digunakan sebagai bahan masukan serta pertimbangan untuk penelitian

selanjutnya.

12

BAB II

KAJIAN TEORITIK

A. Deskripsi Teori

1. Pasar Modal

Menurut Widoatmojo (2012:15) Pasar modal adalah pasar abstrak,

dimana yang diperjualbelikan adalah dana-dana jangka panjang, yaitu dana

yang keterkaitannya dalam investasi lebih dari 1 (satu) tahun. Pemerintah

Republik Indonesia menetapkan dalam Undang-Undang Pasar Modal No. 8

Tahun 1995 tentang Pasar Modal mendefinisikan pasar modal sebagai

“Kegiatan yang bersangkutan dengan penawaran umum dan perdagangan

Efek, Perusahaan publik yang berkaitan dengan Efek yang diterbitkannya,

serta lembaga dan profesi yang berkaitan dengan Efek”. Pasar modal

menjadi tempat bertemunya antara pihak yang memiliki kelebihan dana

dengan pihak yang membutuhkan dana, dimana terjadi kegiatan permintaan

dan penawaran sekuritas berupa saham dan obligasi.

Menurut Husnan (2015:3) secara formal pasar modal dapat

didefinisikan sebagai pasar untuk instrumen keuangan (atau sekuritas)

jangka panjang yang bisa diperjualbelikan, baik dalam bentuk hutang

ataupun modal sendiri, baik yang diterbitkan pemerintah, public authorities,

maupun perusahaan swasta.

Dari definisi yang telah dipaparkan oleh beberapa ahli tersebut, dapat

disimpulkan bahwa pasar modal adalah sarana yang digunakan sebagai

pasar jangka panjang yang umumnya terjadi penawaran umum serta

13

perdagangan efek yang diterbitkan oleh pemerintah maupun perusahaan

publik serta lembaga dan profesi yang berkaitan dengan efek.

2. Manfaat Pasar Modal

Menurut Husnan (2005:4) dalam Mushawir (2017:7-8) dalam fungsi

pasar modal menegaskan terdapat fungsi ekonomi, yaitu penanaman dana

dalam pasar modal oleh investor ke emiten atau perusahaan dengan tujuan

mengharapkan akan memperoleh return bagi pemilik dana tersebut. Selain

itu sebagai fungsi keuangan, dengan menyediakan dana yang diperlukan

oleh para emiten atau perusahaan. Dengan adanya pasar modal diharapkan

aktivitas perekonomian menjadi meningkat karena pasar modal menjadi

alternatif pendanaan bagi perusahaan-perusahaan untuk dapat meningkatan

pendapatan perusahaan dan pada akhirnya memberikan kemakmuran dan

kesejahteraan bagi masyarakat yang lebih luas.

3. Teori Investasi

Investasi merupakan gaya hidup yang mencirikan masyarakat

modern. Investasi sering dikaitkan dengan istilah hubungan antara keuangan

dan ekonomi, dimana terdapat akumulasi suatu bentuk aktiva dengan

harapan mendapatkan keuntungan di masa depan dengan komitmen

berinvestasi berupa sejumlah dana atau sumber daya lainnya. Bahkan

sekarang ini media investasi yang tersedia sudah semakin beragam dan

memudahkan para pelaku investasi.Menurut Smith dan Skousen dalam

Irham (2014:8) investasi adalah:

14

“Transaction and events the purchase and sale of the securities

(excluding cash equivalents), and building, equipment, and other asset not

generally held for sale, and the making, and collecting of loans. They are not

classified as operating activities, since the relate only indirectly to the central,

ongoing operations of entity”.

Artinya, investasi merupakan suatu transaksi atau peristiwa penjualan

dan pembelian suatu sekuritas (tidak termasuk kas), bangunan, maupun

peralatan. Sedanglan aset lain tidak untuk diperjualbelikan.

Terdapat banyak sekali pendapat yang dikemukakan oleh para ahli

mengensai pengertian investasi, diantaranya:

a. Menurut Sunariyah (2011:4)

Investasi adalah penanaman modal untuk satu atau lebih aktiva yang

dimiliki dan biasanya berjangka waktu lama dengan harapan

mendapatkan keuntungan di masa-masa yang akan datang.

b. Menurut Kasmir dan Jakfar (2012)

Investasi dapat diartikan sebagai penanaman modal dalam suatu

kegiatan yang mempunyai jangka waktu relatif panjang dalam sebagai

bidang usaha.Penanaman modal yang ditanamkan dalam arti sempit

berupa proyek tertentu baik bersifat fisik ataupun nonfisik, seperti proyek

pendirian pabrik, jalan, jembatan, pembangunan gedung, proyek

penelitian, dan pengembangan.

c. Menurut Halim dalam Fahmi (2012:3)

Investasi pada hakikatnya merupakan penempatan sejumlah dana pada

saat ini dengan harapan memperoleh keuntungan di masa mendatang.

15

Berdasarkan pengertian-pengertian dari beberapa ahli tentang

investasi di atas, dapat disimpulkan bahwa investasi merupakan bentuk

penundaan konsumsi pada saat ini atau penempatan sejumlah dana pada

suatu aset atau dengan kata lain investor membeli sejumlah saham saat ini

untuk mengorbankan konsumsi sekarang (sacrifice current consumption)

dengan harapan memperoleh keuntungan dari kenaikan harga saham

ataupun sejumlah dividen di masa yang akan datang, sebagai imbalan atas

waktu dan risiko yang terkait dengan investasi tersebut. Tentunya untuk

mencari keuntungan dengan melakukan investasi ini adalah suatu yang

membutuhkan analisis dan perhitungan mendalam dengan tidak

mengesampingkan prinsip kehati-hatian (prudent principle).

Dalam konteks investasi sangat melekat dengan tiga atribut dalam

melakukan kegiatan investasi yaitu, risiko, hasil dan waktu. Pengorbanan

sumber daya ekonomi dalam investasi diasumsikan dapat memaksimalkan

utilitas dengan tujuan mendapatkan hasil dengan memaksimumkan

kesejahteraan di masa yang akan datang dan berisiko.

Menurut Eduardus Tandelilin (2010:2) dalam aktivitasnya yaitu,

investasi sejumlah dana pada real asset (tanah, emas, mesin atau

bangunan) dan investasi financial asset (deposito, saham ataupun obligasi),

investasi pada financial asset berarti investasi dengan sekuritas, baik yang

diperdagangkan di pasar modal maupun di pasar uang. Dan dalam hal

prosesnya pada dasarnya proses keputusan investasi adalah pemahaman

hubungan antara return harapan dan risiko suatu investasi. Hubungan antara

keduanya merupakan searah dan linear yang artinya, semakin besar return

harapan semakin besar pula tingkat risiko yang harus dipertimbangkan,

16

karenanya alasan utama investor berinvestasi adalah mengharapkan return

yang setinggi-tingginya dari investasi yang dilakukannya. Maka dari itu,

investor harus sangat berhati-hati dalam memperhitungkan risiko yang

diambil dalam berinvestasi di suatu perusahaan tertentu.

4. Indeks Harga Saham

Di dalam pasar saham, sering kita dengar dengan istilah harga yakni

harga saham dan indeks harga saham.Harga saham adalah harga yang

terbentuk dari permintaan dan penawaran terhadap suatu saham.Sedangkan

indeks harga saham adalah indikator yang menggambarkan suatu

pergerakan harga saham.Indeks ini yang menjadikan sebagai acuan bagi

para investor agar dapat melakukan investasi khususnya saham dipasar

modal.

Selain itu, indeks harga saham menjadi indikator trend harga pasar,

dimana pergerakan indeks harga saham menggambarkan kondisi suatu

pasar pada waktu tertentu.Saat ini Bursa Efek Indonesia memiliki 11 jenis

indeks harga saham, yang secara terus menerus disebarluaskan malalui

media cetak maupun elektronik. Indeks-indeks tersebut diantaranya adalah:

1. Indeks Harga Saham Gabungan (IHSG)

Indeks Harga Saham Gabungan (IHSG) adalah indeks yang semua

perusahaan tercatat sebagai perhitungan indeksnya.IHSG ini dimiliki oleh

Bursa Efek Indonesia, namun Bursa Efek Indonesia tidak bertanggung

jawab atas produk yang diterbitkan oleh pengguna yang menggunakan

IHSG sebagai acuan. Selain dari itu Bursa Efek Indonesia tidak

bertanggung jawab atas bentuk apapun dalam keputusan investasi yang

dijalankan oleh siapapun pihak yang memakai IHSG sebagai acuannya.

17

2. Indeks Sektoral

Indeks sektoral adalah indeks harga saham yang menggunakan semua

perusahaan tercatat yang termasuk ke dalam masing-masing sektor.

Terdapat 10 sektor antara lain sebagai berikut:

1. Sektor pertanian,

2. Sektor industri dasar,

3. Sektor pertambangan,

4. Sektor barang konsumsi,

5. Sektor aneka industri,

6. Sektor properti,

7. Sektor perdagangan dan jasa,

8. Sektor keuangan,

9. Sektor infrastruktur, dan

10. Sektor manufaktur.

3. Indeks LQ-45

Indeks LQ-45 adalah indeks yang terdiri dari 45 saham perusahaan yang

dipilih dengan berdasarkan pertimbangan likuiditas dan juga kapitalisasi

pasar, dengan kriteria tertentu.

4. Indeks Kompas 100

Indeks kompas 100 yaitu terdiri dari 100 saham perusahaan emiten

tercatat yang dipilih berdasarkan pertimbangan likuiditas dan juga

kapitalisasi pasar, dengan kriteria tertentu.

18

5. Jakarta Islamic Indeks (JII)

Jakarta Islamic Indeks adalah 30 saham yang termasuk kriteria syariah

dengan pertimbangan kapitalisasi pasar dan juga likuiditas.

6. Indeks BISNIS-27

Indeks BISNIS-27 adalah indeks yang terdiri dari 27 saham perusahaan

yang dipilih dengan berdasarkan kriteria fundamental, teknikal/likuiditas

transaksi dan akuntabilitas serta tata kelola perusahaan. Indeks ini ada

karena adanya kerja sama antara Bursa Efek Jakarta dengan harian

Bisnis Indonesia.

7. Indeks PEFINDO25

Indeks PEFINDO25 adalah indeks hasil kerja sama BEJ dengan

PREFINDO, yang dibuat untuk dapat memberikan tambahan informasi

bagi pemodal khususnya untuk berbagai saham emiten kecil dan

menengah (Enterprises/SME). Terdiri dari 25 saham dengan kriteria

seperti total aset, opini akuntan publik dan tingkat pengembalian modal

(Return On Equity/ROE).Selain dari kriteria tersebut, diperhatikan juga

jumlah saham yang dimiliki oleh publik.

8. Indeks SRI-KEHATI

Indeks SRI-KEHATI adalah hasil kerja sama antara BEJ dengan Yayasan

Keanekaragaman Hayati Indonesia (KEHATI), sedangkan SRI adalah

kependekan dari Sustainable Responsible Investment.Indeks ini terdiri

dari 25 saham perusahaan dengan tujuan untuk memberi tambahan

informasi kepada para investor yang ingin berinvestasi pada emiten-

emiten yang memiliki kinerja sangat baik dalam mendorong usaha

19

berkelanjutan, serta mempunyai kesadaran terhadap lingkungan dan juga

menjaankan tata kelola perusahaan yang baik.

9. Indeks Papan Utama

Indeks Papan Utama adalah indeks yang terdiri dari saham-saham

perusahaan yang tercantum pada indeks papan utama.

10. Indeks Papan Pengembang

Indeks Papan Pengembang adalah indeks yang terdiri dari saham

perusahaan yang tercanyum dalam indeks papan pengembang.

11. Indeks individual

Indeks individual adalah indeks harga saham dari masing-masing

perusahaan yang tercatat di Bursa Efek.

5. Pengertian Peramalan

Peramalan digunakan untuk memperkirakan penjualan atau

permintaan untuk masa yang akan datang. Peramalan pada dasarnya

merupakan suatu taksiran, karena pada dasarnya bahwa seluruh keputusan

di masa yang akan datang didasarkan pada peramalan saat ini. Maka dari

itu, peramalan yang dibuat selalu diupayakan agar dapat meminimumkan

pengaruh ketidakpastian terhadap suatu perusahaan. Peramalan merupakan

alat bantu yang sangat penting dalam perusahaan yang efektif dan efisian.

Tidak hanya itu, peramalan juga sangat penting pengaruhnya bagi investor

untuk menentukan perusahaan mana yang pergerakan sahamnya bagus di

masa yang akan datang. Oleh karena itu, untuk mengetahui definisi

peramalan yang baik, penulis mengemukakan pendapat peramalan menurut

para ahli, diantaranya:

20

a. Render dan Heizer (2009: 45) mengatakan bahwa:

Peramalan (Forecasting) adalah suatu seni dan ilmu pengetahuan dalam

memprediksi peristiwa pada masa yang akan datang. Peramalan akan

melibatkan untuk mengambil data historis (seperti penjualan tahun lalu)

dan memproyeksi mereka ke masa yang akan datang dengan

menggunakan model matematik.

b. Diana Khairani Sofyan (2013: 13) berpendapat bahwa:

Peramalan merupakan suatu kegiatan memperkirakan atau

memprediksikan kejadian di masa yang akan datang tentunya dengan

bantuan penyusunan rencana terlebih dahulu, dimana rencana ini dibuat

berdasarkan kapasitas dan kemampuan permintaan/produksi yang telah

dilakukan di perusahaan.

c. Menurut Daryanto (2012: 30) kegiatan peramalan adalah:

Prediksi, proyeksi atau estimasi tingkat kejadian yang tidak pasti di masa

yang akan datang.

d. Manahan P. Tampubolon (2014: 41) dalam buku “Manajemen Operasi

dan Rantai Pemasok” mengemukakan bahwa:

Peramalan (forecasting) merupakan penggunaan data untuk

menguraikan kejadian yang akan datang di dalam menentukan sasaran

yang dikehendaki, sedangkan prediksi (prediction) adalah estimasi

sasaran yang akan datang dengan tingkat kemungkinan terjadi besar

serta dapat diterima.

Dari pengertian yang telah dipaparkan oleh para ahli, dapat

disimpulkan bahwa setiap kali keputusan yang berkenaan dengan masa yang

21

akan datang dibuat maka selalu tersirat peramalan yang mendasari

keputusan tersebut. Pada tingkat tertentu peramalan yang terencana lebih

bernilai dan akurat dibandingkan peramalan intuitif, karena peramalan

terlebih dahulu menyusun rencana dengan mengambil data-data historis

umumnya data tahun lalu, kemudian memproyeksikannya ke masa yang

akan datang.

6. Tujuan Peramalan

secara umum yang dimaksud dengan peramalan yaitu suatu kegiatan

yang bertujuan untuk mengetahui atau memperkirakan kejadian di masa

yang akan datang. Adapun tujuan peramalan menurut Diana Khairani Sofyan

(2013: 15) tujuan utama peramalan adalah untuk meramalkan permintaan di

masa yang akan datang, sehingga diperoleh suatu perkiraan yang mendekati

keadaan yang sebenarnya, peramalan tidak akan pernah sempurna, tetapi

meskipun demikian hasil peramalan akan memberikan arahan bagi suatu

perencanaan.

7. Jenis-jenis Peramalan

Menurut Render dan Heizer (2009: 47) mengemukakan pada umumnya

berbagai organisasi menggunakan tiga jenis peramalan ketika

merencanakan masa depan operasionalnya, yaitu:

1. Ramalan Ekonomi (Economic Forecast)

Menjelaskan siklus bisnis dengan memprediksi tingkat inflasi, suplai uang

permulaan perumahan, dan indikator-indikator perencanaan

lainnya.Indikator ini dapat berguna membantu organisasi untuk

menyiapkan peramalan jangka menengah hingga jangka panjang.

22

2. Ramalan Teknologi (Technological Forecast)

Hal ini dengan memperhatikan tingkat kemajuan teknologi, yang dapat

melahirkan produk-produk baru yang mengesankan.Maka dari itu,

ramalan teknologi ini sangat perlu diperhatikan mengingat peramalan

jangka panjang untuk kelangsungan hidup perusahaan.

3. Ramalan Permintaan (Demand Forecast)

Ramalan ini, disebut juga dengan ramalan penjualan, mengarahkan

produksi, kapasitas, dan sistem penjadwalan perusahaan dan bertindak

sebagai masukan untuk perencanaan keuangan, pemasaran, keuangan,

dan personalia dengan memproyeksi permintaan untuk produk atau jasa

perusahaan pada setiap periode dalam horizon waktu.

Peramalan biasanya diklasifikasikan berdasarkan horizon waktu masa

depan yang dicakupnya. Menurut Taylor (2004) dalam hubungannya dengan

horizon waktu peramalan terbagi atas beberapa kategori, yaitu:

1. Ramalan Jangka Pendek (Short-range Forecast)

Mencakup masa depan yang dekat (immediate future) dan

memperhatikan kegiatan harian suatu perusahaan bisnis, seperti

permintaan harian atau kebutuhan sumber daya harian.

2. Ramalan Jangka Menengah (Medium-range Forecast)

Mencakup jangka waktu satu atau dua bulan sampai satu tahun.

Ramalan jangka waktu ini umumnya lebih berkaitan dengan rencana

produksi tahunan dan akan mencerminkan hal-hal seperti puncak dan

lembah dalam suatu permintaan dan kebutuhan untuk menjamin adanya

tambahan untuk sumber daya untuk tahun berikutnya.

23

3. Ramalan Jangka Panjang (Long-range Forecast)

Mencakup periode yang lebih lama dari satu atau dua tahun.Ramalan ini

beraitan dengan usaha manajemen untuk merencanakan produk baru

untuk pasar yang berubah, membangun fasilitas baru, atau menjamin

adanya pembiayaan jangka panjang.

8. Langkah-langkah Peramalan

peramalan yang baik adalah peramalan yang dilakukan dengan

mengikuti langkah-langkah atau prosedur penyusunan yang baik. Dalam

suatu proses peramalan harus ada langkah-langkah dalam melakukan

peramalan agar mempermudah proses peramalan. Menurut Gaspersz

(2005: 75) terdapat 9 langkah yang harus diperhatikan untuk menjamin

efektivitas dan efisiensi dari sistem peramalan, yaitu:

1. Menentukan tujuan dari peramalan

2. Memilih item independent demand yang akan diramalkan

3. Menentukan horizon waktu dari peramalan (jangka pendek,

menengah,panjang)

4. Memilih model-model peramalan

5. Memperoleh data yang dibutuhkan untuk melakukan peramalan

6. Validasi model peramalan

7. Membuat peramalan

8. Implementasi hasil-hasil peramalan

9. Memantau keandalan hasil peramalan

Dengan memperhatikan langkah-langkah peramalan tersebut diharapkan

perusahaan mampu menemukan titik terang dari suatu permasalahan yang

24

dihadapi, mulai dari menentukan estimasi biaya yang akan dikeluarkan

tergantung dengan kebutuhan perusahaan hingga mengumpulkan data-data

internal perushaan dan eksternal perusahaan agar dapat menjadi sebuah

model satu kesatuan untuk diasumsikan dan diolah hingga menjadi data

yang valid.

Namun peramalan yang baik adalah peramalan yang menghasilkan nilai

eror seminim mungkin.Untuk mengukur keefektifan suatu peramalan maka

digunakan suatu ukuran standar statistik yang biasa kita peroleh dari hasil

pengolahan data menggunakan software.

9. Macam-macam Pola Data

Salah satu aspek yang paling penting dalam penyeleksian metode

peramalan yang sesuai untuk data runtun waktu adalah untuk

mempertimbangkan perbedaan tipe pola data (Markidakis, 1999). Ada empat

tipe umum pola data, yaitu:

a. Pola stasioner adalah keadaan dimana tidak ada perubahan rata-rata

(mean) dan varians dari waktu ke waktu atau keduanya selalu konstan

(tidak terjadi pertumbuhan atau penurunan) setiap waktu (Palit dan

Papovic, 2005:38). Stasioner dapat juga dikatakan tidak terdapat

perubahan yang drastis pada data. Para peneliti sering mengamati pola

pada plot data untuk memutuskan data yang diperoleh stasioner atau

tidak stasioner. Jika plot data deret berkala cenderung konstan atau tidak

terdapat pertumbuhan atau penurunan maka data sudah stasioner.

Metode yang dapat digunakan untuk data berpola stasioner adalah

25

Naive, Simple Average, Moving Average, Single Exponential Smoothing.

Contoh gambar pola gerakan stasioner sebagai berikut:

Gambar 2.1 Pola Gerakan Stasioner

b. Pola musiman terjadi bila suatu deret dipengaruhi oleh faktor musiman

yang ditandai dengan adanya pola perubahan yang berulang-ulang

secara teratur selama kurang lebih satu tahun misalnya pola yang

berulang setiap minggu, bulan, atau kuartalan . Metode yang dapat

digunakan untuk data berpola musiman adalah Naive, Seasional

Exponential Smoothing, Adaptive Filtering, Classical Decomposition,

Cencus X-12, Box-Jenkins, Time Series Multiple Regression. Contoh

gambar pola gerakan musiman sebagai berikut:

Gambar 2.2 Pola Gerakan Musiman

26

c. Pola siklis adalah gerakan naik atau turun secara siklis di sekitar trend

atau kondisi normal. Metode yang dapat digunakan untuk data berpola

siklis adalah Multiple Regression, Box-Jenkins, Leading Indicator,

Econometric Model.Contoh gambar pola gerakan siklis sebagai berikut:

Gambar 2.3 Pola Gerakan Siklis

d. Pola trend terjadi jika suatu data bergerak pada jangka waktu tertentu

dan cenderung menuju ke satu arah baik naik atau turun. Metode yang

dapat digunakan untuk data berpola trend adalah Naive, Simple Average,

Single Exponential Smoothing, Double Exponential Smoothing, Simple

Regression, Exponential Trend Model, S-Curve Fitting, Gompertz Model,

Growth Curves. Contoh gambar pola gerakan trendsebagai berikut:

Gambar 2.4 Pola Gerakan Trend

27

Pola data dapat dianalisis dengan menggunakan autokorelasi, yaitu

dengan rumus:

rk=

+=

n

kt 1

(𝒀𝒕−Y )(𝒀𝒕−𝒌−Y )

=

n

t 1

(𝒀𝒕−Y )𝟐

, k = 0,1,2, ….

Dimana:

rk =koefisien autokorelasi untuk sebuah lag dari periode ke- k

Yt = observasi dalam periode waktu ke- t

Yt –k = observasi k periode sebelumnya atau waktu periode (t-k)

Y = rata-rata dari nilai time series

Jika data berkala tersebut random, hampir semua koefisien

autokorelasi terletak di dalam interval kepercayaan dengan standard eror

yang kecil. Tiap-tiap koefisien autokorelasi berada dalam interval

kepercayaan yang diberikan yaitu:

0±Z x SE(rk)t

Dimana:

SE(rk) = √𝟏+𝟐 ∑ 𝒓𝒊

𝟐𝒌−𝟏𝒊=𝟏

𝒏

Dengan:

SE(rk)t= standar eror dari autokorelasi pada lag k

ri = autokorelasi pada lag i

28

k = lag

n = jumlah observasi dalam jumlah data berkala

10. Metode Peramalan

Menurut Render dan Heizer (2009: 48-49) tentang metode peramalan,

mereka berpendapat bahwa ada dua pendekatan umum peramalan yang

digunakan sebagai cara mengatasi model keputusan, yaitu peramalan

kuantitatif dan peramalan kualitatif. Peramalan kualitatif atau peramalan

subjektif memanfaatkan faktor-faktor penting seperti intuisi, pengalaman

pribadi, dan sistem nilai pengambilan keputusan.Peramalan kuantitatif

(quantitative forecast) menggunakan berbagai model matematika yang

menggunakan data histroris dan atau variabel-variabel kausal untuk

meramalkan permintaan. Sebagian perusahaan menggunakan salah satu

pendekatan, sebagian lain menggunakan pendekatan lainnya, tetapi dalam

praktiknya, kombinasi atau campuran dari kedua jenis peramalan tersebut

dapat lebih efektif.

11. Metode Peramalan Kuantitatif

Menurut Barry Render dan Jay Heizer (2009: 49) mengatakan bahwa

dalam metode peramalan kuantitatif pada dasarnya dapat dibedakan

kedalam dua kategori, yaitu: Model Runtut Waktu (Time Series) dan Model

Kausal (Causal Method) atau dikenal juga sebagai Model Asosiatif. Dalam

hal ini, peramalan kuantitatif mampu diterapkan bila terdapat tiga kondisi

berikut:

1. Tersedia informasi/data tentang masa lalu.

2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data

numerik/angka.

29

3. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus

berlanjut di masa mendatang.

1. Model Seri Waktu (Time Series)

Model seri waktu (time series) memprediksikan berdasarkan asumsi

bahwa masa depan adalah fungsi dari masa lalu. Dengan kata lain,

model ini melihat pada apa yang terjadi selama periode waktu dan

menggunakan seri data masa lalu untuk membuat ramalan (Render dan

Heizer, 2009:49). Metode peramalan seri waktu (time series) terdiri dari:

a) Metode Naif (Naive Method)

Metode naïf merupakan metode yang paling sederhana,

menganggap bahwa peramalan periode berikutnya sama dengan nilai

aktual periode sebelumnya. Dengan demikian data aktual periode

yang baru saja berlalu merupakan alat peramalan yang terbaik untuk

meramalkan keadaan di masa mendatang.peramalan dengan metode

naïf diasumsikan bahwa periode sekarang adalah prediksi terbaik

untuk masa depan, sehingga dapat diformulasikan sebagai berikut:

Ŷt+1 = Yt

Dimana Ŷt+1adalah ramalan yang dilakukan pada waktu t

(ramalan asli) untuk waktu t+1.

Teknik untuk data yang mengandung trend adalah dengan

menambahkan selisih antara periode sekarang dan periode terakhir.

Persamaan peramalannya adalah:

Ŷt+1 = Yt + (Yt – Yt-1)

30

b) Metode Rata-rata Bergerak (Moving Average Method)

Menurut Subagyo (2008:6) Metode rata-rata bergerak (MA)

suatu metode peramalan yang dilakukan dengan mengambil

sekelompok nilai pengamatan menggunakan sejumlah data aktual

historis untuk menghasilkan peramalan. Pergerakan rata-rata

bermanfaat untuk mencari nilai rata-rata tersebut sebagai ramalan

untuk periode yang akan datang. Moving Average terdiri dari Mean

(rata-rata sederhana), Single Moving Average (bergerak tunggal), dan

Double Moving Average (bergerak ganda).Averaging Method dipakai

apabila:

• Kondisi setiap data pada waktu yang berbeda mempunyai bobot

yang sama sehingga fluktuasi random data dapat diredam dengan

rata-ratanya.

• Tidak semua data masa lalu dapat mewakili asumsi pola data

berlanjut terus dimasa yang akan datang, maka dapat dipilih

sejumlah periode tertentu saja.

• Periode yang relevan adalah n periode terakhir, maka rata-rata

dapat dihitung dengan n periode yang berbeda. Perataan inilah

yang disebut dengan Moving Average(rata-rata bergerak).

• Datanya stasioner, Single Moving Averagecukup baik untuk

meramalkan keadaan.

• Datanya tidak stasioner, mengandung pola trend maka dilakukan

Moving Average pada hasil Single Moving Average yang

dinamakan Moving Average with Linear Trend.

31

• Peramalan jangka pendek.

1. Simple Average

Simple Average menggunakan rata-rata (mean) dari

semua observasi-observasi pada periode-periode

sebelumnya yang relevan sebagai ramalan pada periode

berikutnya.

Persamaan (1) digunakan untuk menghitung rata-rata

(mean)data bagian perlambangan untuk peramalan

periode selanjutnya.

Ŷt+1= 𝟏

𝒕=

t

i

Yi1

………………….. (1)

Ketika sebuah observasi baru tersedia, peramalan

untuk periode selanjutnya, Ŷt+2, adalah rata-rata atau

mean, dihitung dengan persamaan (1) dan observasi yang

baru.

Ŷt+2= 𝒕Ŷ𝒕+𝟏+𝒀_𝒕+𝟏

𝒕+𝟏 … … … … … (2)

Metode Simple Average adalah salah satu teknik yang

tepat ketika kemampuan runtun untuk menjadi ramalan

sudah menjadi stabil, dan lingkungan di dalam runtun pada

umumnya tidak berubah.

2. Single Moving Average

Metode Simple Average menggunakan rata-rata dari

semua data peramalan.Jumlah konstan titik data dapat

ditetapkan pada awal dan dihitung rata-rata untuk

32

observasi terbaru.Istilah Moving Average digunakan untuk

menggambarkan pendekatan ini.Setiap observasi baru

menjadi tersedia, sebuah rata-rata baru dihitung dengan

menjumlahkan nilai paling baru dan mengeluarkan yang

paling tua.Moving Average ini lebih digunakan untuk

meramalkan periode selanjutnya. Persamaan (3)

menunjukkan peramalan Simple Moving Average, sebuah

Moving Average dari urutan ke-k, MA (k) dihitung dengan:

Persamaan (3) Moving Average dengan order ke-k

Ŷt+1= 𝒀𝒕+𝒀𝒕−𝟏+⋯+𝒀𝒕−𝒌+𝟏

𝒌

et = Yt – Ŷt

Dimana:

Ŷt+1 = nilai peramalan untuk periode selanjutnya

Yt = nilai sebenarnya pada periode t

k = jumlah perlakuan dalam Moving Average

Moving Average untuk periode waktu t adalah mean

aritmetik dari k observasi terbaru. Dalam Moving Average,

beban yang diberikan sama untuk setiap observasi. Setiap

data baru dimasukkan dalam rata-rata yang tersedia, dan

data paling awal dibuang.Kecepatan respon terhadap

perubahan dalam pola data dasar tergantung pada jumlah

periode k, termasuk dalam Moving Average.

33

3. Double Moving Average

Salah satu cara untuk meramalkan data time series

yang memiliki trend linear adalah dengan menggunakan

Double Moving Average. Metode ini secara tidak langsung

dinamakan set pertama dihitung Moving Average-nya dan

set kedua dihitung sebagai Moving Average dari set

pertama. Pertama, untuk menghitung Moving Average dari

order ke-k digunakan persamaan sebagai berikut:

Mt = Ŷt+1 =𝒀𝒕+𝒀𝒕−𝟏+𝒀𝒕−𝟐 +⋯+𝒀𝒕−𝒌+𝟏

𝒌

Dimana:

Ŷt+1 = nilai peramalan untuk periode selanjutnya

Yt = nilai sebenarnya pada periode t

k = jumlah perlakuan dalam Moving Average

Kemudian persamaan (1) digunakan untuk menghitung

Moving Average kedua, yaitu:

M´t=𝑴𝒕+𝑴𝒕−𝟏+𝑴𝒕−𝟐 +⋯+𝑴𝒕−𝒌+𝟏

𝒌

Persamaan (2) digunakan untuk menghitung

peramalan dengan menambahkan selisih antara Moving

Average pertama dan Moving Average kedua dengan

Moving Average pertama.

αt = Mt + (Mt - M´t) = 2Mt - M´t … … … (2)

34

persamaan (3) adalah faktor penyesuaian tambahan

yang mirip dengan kemiringan ukuran yang dapat berubah

selama runtun waktu tersebut.

bt= 𝟐

𝒌−𝟏 (Mt - M´t) … … (3)

Akhirnya (4) persamaan ini digunakan untuk membuat

ramalan periode di masa depan.

Ŷt+p = αt + btp … … … (4)

Dengan:

k = jumlah periode dalam Moving Average

p = jumlah periode peramalan untuk masa mendatang

c) Metode Penghalusan Eksponensial (Exponential Smoothing

Method)

Exponential Smoothing adalah metode peramalan pergerakan

rata-rata bobot lainnya atau suatu tipe teknik peramalan rata-rata

bergerak yang melakukan penimbangan dan memberikan bobot

eksponensial menurun terhadap observasi yang lebih

lama.Pemulusan eksponensial merupakan prosedur untuk terus

merevisi ramalan dalam pengamatan yang lebih baru dan juga

merupakan prosedur perbaikan terus menerus pada peramalan

terhadap objek pengamatan terbaru (Markidakis, 1999:63).

Metode pemulusan eksponensial merupakan pendekatan yang

relatif sederhana namun kuat untuk peramalan. Salah satu ide dasar

model smoothingadalah untuk membangun perkiraan nilai masa

depan sebagai rata-rata tertimbang dari pengamatan masa lalu

35

dengan pengamatan yang lebih baru dengan nilai bobot yang lebih

besar dalam menentukan perkiraan dari pengamatan di masa lalu

yang lebih jauh. Tidak hanya itu, mereka dengan secara luas dapat

digunakan dalam bisnis untuk peramalan permintaan untuk

persediaan (Gardner dalam Jonnius, 2016:19).

Aplikasi pemulusan eksponensial untuk meramalkan data time

seriesbiasanya bergantung pada tiga metode dasar yaitu, pemulusan

eksponensial sederhana, trend dikoreksi pemulusan eksponensial

dan variasi musiman tersebut. Pendekatan umum untuk memilih

metode yang tepat untuk seri waktu tertentu didasarkan pada validasi

prediksi pada bagian yang dipotong dari sampel menggunakan

kriteria seperti kesalahan persentase rata-rata mutlak.Pendekatan

kedua adalah dengan mengandalkan kasus umum yang paling tepat

dari tiga metode.Untuk seri tahunan ini trend dikoreksi pemulusan

eksponensial, untuk seri sub-tahunan itu adalah adaptasi musiman

trend dikoreksi pemulusan eksponensial.Dasar pemikiran untuk

pendekatan ini adalah bahwa metode umum secara otomatis runtuh

dengan rekan-rekan ketika kondisi yang bersangkutan berkaitan

dalam data.Pendekatan ketiga dapat didasarkan pada kriteria

informasi bila metode kemungkinan maksimum yang digunakan

dalam hubungannya dengan pemulusan eksponensial untuk

memperkirakan parameter smoothing(Billah, et.al 2005).

Exponential Smoothingmerupakan sebuah prosedur dari

peramalan yang ditinjau kembali secara kontinyu.Hal ini

menunjukkan adanya penurunan beban-beban secara eksponensial

36

seiring dengan semakin lamanya sebuah observasi. Dengan kata

lain, observasi saat ini diberi nilai beban lebih besar daripada

observasi-observasi sebelumnya (Bagus, et.al. 2009). Metode

Exponential Smoothingmeliputi metode-metode berikut ini:

1. Metode Single Exponential Smoothing

Metode pemulusan eksponensial tunggal tidak cukup baik

diterapkan jika datanya bersifat tidak stasioner, karena

persamaan yang digunakan dalam metode eksponensial tunggal

tidak terdapat prosedur pemulusan pengaruh trend yang

mengakibatkan data tidak stasioner menjadi data tetap tidak

stasioner, tetapi metode ini merupakan dasar bagi metode-

metode pemulusan eksponensial lainnya (Markidakis, Wheelright

dan McGee, 1992).

Exponential Smoothing secara terus menerus

mempertimbangkan kembali suatu perkiraan yang dipandang dari

data sebelumnya.Metode Exponential Smoothing berdasarkan

pada pemuusan nilai-nilai sebelumnya di dalam suatu

eksponensial yang menurun. Data masa lalu dimuluskan dengan

cara melakukan pembobotan menurun secara eksponensial

terhadap nilai pengamatan yang lebih lama, atau nilai yang lebih

baru diberikaan bobot yang relative lebih besar disbanding nilai

pengamatan yang lebih lama.

Dalam suatu penyajian Exponential Smoothing, peramalan

baru (pada saat t+1) dapat dianggap sebagai jumlahan dari

pengamatan yang baru (pada waktu t) dan peramalan yang

37

sebelumnya (untuk waktu t).Besarnya α (dimana 0 < α < 1)

diberikan pada nilai pengamatan yang baru saja diamati, dan

besar (1-α) diberikan pada peramalan yang sebelumnya.

Peramalan Baru = [α x (pengamatan baru] + [(1-α) x (peramalan

sebelumnya)]

• Pengamatan terakhir memiliki nilai α yang paling besar,

yaitu 0 < α < 1

• Pengamatan satu periode sebelumnya memiliki konstanta

smoothing yang lebih kecil, yaitu α (1-α)

• Pengamatan dua periode sebelumnya akan lebih kecil

lagi, yaitu α (1-α)2 dan begitu seterusnya

Ŷt+1 = α𝜸t + (1 – α) Ŷt

Dimana:

Ŷt+1 = nilai pemulusan berikutnya atau nilai peramalan

untuk periode berikutnya

α = konstanta pemulusan

Yt = pengamatan baru atau nilai sebelumnya pada

periode t

Ŷt = nilai pemulusan sebelumnya atau peramalan untuk

periode t

2. Metode Double Exponential Smoothing (Holt’s)

Merupakan pengembangan dari metode Exponential

Smoothing, yaitu:

Ŷt+p= Lt + pTt

Dengan

38

Lt = α𝛾t + (1 – α)( Lt-1 + Tt-1)

Tt = β(Lt – Lt-1) + (1 – β)Tt-1

Dimana

Lt = nilai penghalusan (smoothing) pada periode ke t

α = konstanta penghalusan (smoothing) untuk level yang

nilainya 0 < α

39

MAD paling berguna ketika orang yang menganalisa ingin mengukur

kesalahan ramalan dalam unit yang sama sebagai deret asli.

Keterangan:

Yt = nilai aktual pada periode waktu t

Ŷt = nilai ramalan untuk periode waktu t

2. Mean Absolute Percentage Error (MAPE) dihitung dengan menggunakan

kesalahan absolut pada tiap periode dibagi dengan nilai observasi yang

nyata untuk periode itu. Kemudian, merata-rata kesalahan persentase

absolut tersebut. Pendekatan ini berguna ketika ukuran atau besar

variabel ramalan itu penting dalam mengevaluasi ketepatan ramalan.

MAPE mengindikasi seberapa besar kesalahan dalam meramal yang

dibandingkan dengan nilai nyata pada deret. MAPE juga dapat

digunakan untuk membandingkan ketepatan dari metode yang sama

atau berbeda dalam dua deret yang berbeda sekali dan mengukur

ketepatan nilai dugaan model yang dinyatakan dalam bentuk rata-rata

persentase absolut kesalahan. MAPE dapat dihitung dengan rumus

sebagai berikut:

Keterangan:

Yt = nilai aktual pada periode waktu t

40

Ŷt = nilai ramalan untuk periode waktu t

Metode khusus yang digunakan dalam peramalan meliputi

perbandingan metode mana yang akan menghasilkan kesalahan-

kesalahan ramalan yang cukup kecil. Metode ini baik untuk

memprediksimetode peramalan sehingga menghasilkan kesalahan

ramalan yang relatif kecil dalam dasar konsisten.

Fungsi metode ukuran ketepatan peramalan adalah sebagai berikut:

a) Membandingkan ketepatan dari dua arah atau lebih metode yang

berbeda.

b) Sebagai alat ukur apakah teknik yang diambil dapat dipercaya atau

tidak.

c) Membantu mencari sebuah metode yang optimal.

3. Mean Squared Deviation (MSD), cara lain untuk menghindari

penyimpangan nilai positif dan penyimpangan negatif saling meniadan

adalah dengan mengkuadratkan nilai kesalahan tersebut . MSD

merupakan ukuran penyimpangan ramalan dengan merata-ratakan

kuadrat error (penyimpangan semua ramalan). Persamaannya adalah

sebagai berikut:

Tujuan optimalisasi statistik seringkali dilakukan untuk memilih suatu

model agar nilai MSD minimal.Tetapi ukukran ini memiliki mempunyai

dua kelemahan.Pertama ukuran ini menunjukkan pencocokan (fitting)

suatu model terhadap data historis.Pencocokan ini tidak selalu

41

mengimplikasikan peramalan yang baik. Kekurangan kedua dalam MSD

sebagai ukuran ketepatan model adalah berhubungan dengan

kenyataan bahwa metode berbeda akan menggunakan prosedur yang

berbeda pula dalam fase pencocokan.

B. Hasil Penelitian Relevansi

Tabel 2.1 Hasil Penelitian Relevansi

No. Nama Peneliti Judul dan Tahun

yang Relevan

Hasil Penelitian

1. Jonnius (2016) Peramalan Indeks

Harga Saham Sektoral

dengan Pendekatan

Exponential Smoothing

Model Tahun 2013-

2015

Dengan metode

exponential

smoothing lebih

sesuai diaplikasikan

dalam peramalan

indeks harga saham

dari kesembilan

sektor tersebut, dan

dari beberapa

metode yang

digunakan, yang lebih

baik digunakan

metode holt – winters

multiplicative with

three parameter yang

diukur tingkat

kesalahan

42

No. Nama Peneliti Judul dan Tahun

yang Relevan

Hasil Penelitian

peramalannya lebih

kecil.

2. Rizal Rachman

(2018)

Penerapan Metode

Moving Average dan

Exponential Smoothing

pada Peramalan

Produksi Industri

Garment Periode

2017—2018

Hasil ramalan dengan

2 metode alternatif

dan ditambah

perhitungan

kesalahan peramalan

dapat diambil

kesimpulan bahwa

peramalan dengan

metode exponential

smoothing a = 0,9

dikarenakan hasil

perkiraan untuk

permintaan

konsumen lebih

besar dari metode

yang lain.

3. Rainy Nafitri

(2010)

Penerapan Metode

Peramalan Sebagai

Dasar Penentuan

Tingkat Kebutuhan

Menunjukan bahwa

metode peramalan

terbaik adalah

kombinasi metode

43

No. Nama Peneliti Judul dan Tahun

yang Relevan

Hasil Penelitian

Safety Stock pada

Industry Elektronik

holt winters

exponential

smoothing dan naïve

dengan penurunan

nilai mean absolute

percentage error

(MAPE) sebesar 63%

4. Rivani Narsalita

Putri (2015)

Peramalan Indeks

Harga Saham

Perusahaan Finansial

LQ-45 Menggunakan

Metode Autoregressive

Integrated Moving

Average (ARIMA) dan

Vector Autoregressive

(VAR)

Peramalan model

terbaik untuk harga

penutupan saham

BBRI adalah dengan

menggunakan

metode ARIMA

sedangkan untuk

peramalan harga

saham BMRI dan

BBCA menggunakan

metode VAR.

5. Muhammad Adam

Bachtiar (2013)

Analisis Perbandingan

ForecastingHarga

Saham Dengan

Pendekatan Artificial

Berdasarkan hasil

penelitian, model

ANN dapat

memprediksi lebih

44

No. Nama Peneliti Judul dan Tahun

yang Relevan

Hasil Penelitian

Neural Metworkdan

Metode Box-Jenkis

ARIMA (Studi dalam

Forecasting Harga

Saham LQ-45 yang

Terdaftar di Bursa Efek

Indonesia Periode

2008-2012)

akurat 14 saham

sampel LQ-45

(93,34%),

dibandingkan dengan

model Box-Jenkis

ARIMA yang hanya

akurat memodelkan 1

saham (6,66%).

Tabel diatas merupakan ringkasan dari penelitian-penelitian

terdahulu.Ada sejumlah persamaan dan perbedaan penelitian ini dengan

penelitian terdahulu adapun persamaannya yaitu sama-sama menganalisis

peramalan terhadap indeks saham.Sedangkan perbedaannya terletak pada

periode waktu penelitian dan sampel perusahaan yang diteliti.

C. Kerangka Pemikiran

Model kerangka pikir dalam sebuah penelitian sangat penting, yang

mana akan memberikan gambaran konseptual tentang penelitian tersebut

dan akan menunjukkan hubungan antara berbagai konstruk (Razali, 1987).

Secara keseluruhan tentang penelitian ini dapat digambarkan dalam

kerangka pikir sebagaimana diagram berikut ini:

45

Gambar 2.5 Kerangka Pemikiran

Sumber: model yang dikembangkan dalam penelitian ini.

Data Historis Indeks Harga Saham

Scatter Diagram

Moving Average Exponential

Smoothing

Evaluasi Metode

Metode Peramalan

Terbaik

46

BAB III

METODOLOGI PENELITIAN

A. Jenis Penelitian

1. Jenis penelitian

Jenis penelitian ini termasuk dalam golongan penelitian komparatif.

Menurut Sugiyono (2012:11) menyatakan penelitian komparatif

merupakan jenis penelitian yang bersifat membandingkan, tujuannya

untuk menentukan mana yang lebih baik dari variabel yang dibandingkan

tersebut.Tujuan dari penelitian ini dimaksudkan untuk mengetahui

metode manakah yang lebih sesuai untuk peramalan indeks harga

saham pada perusahaan konstruksi.

2. Sumber Data

Sumber data yang digunakan pada penelitian ini adalah data

sekunder. Data sekunder yaitu data yang didapat tidak secara langsung

dari objek penelitian, data didapatkan dari data yang sudah jadi, baik dari

pihak perusahaan ataupun pencarian dari sumber lain yang berupa

sumber buku, jurnal ilmiah, analis dari sekuritas, dan bacaan yang

berkaitan dengan penelitian (Sugiyono, 2015:137).

B. Obyek dan Lokasi Penelitian

Objek penelitian ini adalah indeks harga saham perusahaan

konstruksi di Bursa Efek Indonesia (BEI). Kegiatan penelitian ini

menggunakan data sekunder yaitu data yang diperoleh tidak langsung atau

47

melalui perantara (dicatat dan diolah oleh pihak lain) berupa data indeks

harga saham perusahaan konstruksi periode bulanan yang diperoleh dari

website resmi BEI (www.idx.co.id) yang dapat diakses dengan baik.

Kegiatan penelitian ini dilakukan dengan izin Galeri Investasi Fakultas

Ekonomi dan Bisnis Universitas Muhammadiyah Metro.

C. Metode Penelitian

Penelitian ini termasuk dalam kategori penelitian kuantitatif, dimana

analisis data dilakukan dengan pendekatan statistik.Pendekatan ini sangat

bergantung pada ketersediaan data historis inilah dilakukan analisis dengan

menggunakan software Minitabuntuk menemukan model peramalan yang

sesuai untuk meramalkan indeks harga saham perusahaan konstruksi

tersebut.

1. Populasi dan Sampel

a. Populasi

Menurut Sugiyono (2013: 148) populasi merupakan wilayah generalisasi

meliputi obyek/subyek yang mempunyai karakteristik tertentu.

Keseluruhan objek penelitian terdapat dalam populasi, penelitian ini

menggunakan populasi berupa perusahaan konstruksi di Indonesia yang

terdaftar di Bursa Efek Indonesia tahun 2015-2019 berjumlah 16

perusahaan yang tertera didalam tabel berikut:

48

Tabel 3.1 Perusahaan Konstruksi yang Terdaftar di BEI Tahun

2015-2019

No. Kode Perusahaan Nama Perusahaan

1 ACST Acset Indonusa Tbk

2 ADHI Adhi Karya (Persero) Tbk

3 CSIS Cahayasakti Investindo Sukses Tbk

4 DGIK Nusa Konstruksi Enjiniring Tbk

5 IDPR Indonesia Pondasi Raya Tbk

6 MTRA Mitra Pemuda Tbk

7 NRCA Nusa Raya Cipta Tbk

8 PBSA Paramita Bangun Saran Tbk

9 PSSI Pelita Samudera Shipping Tbk

10 PTPP Pembangunan Perumahan

(Persero) Tbk

11 SSIA Surya Semesta Internusa Tbk

12 TOPS Totalindo Eka Persada Tbk

13 TOTL Total Bangun Persada Tbk

14 WEGE Wijaya Karya Bangunan Gedung Tbk

15 WIKA Wijaya Karya (Persero) Tbk

16 WSKT Waskita Karya (Persero) Tbk

Sumber: Annual report 2015-2019

49

b. Sampel

Sampel merupakan sebagian dari keseluruhan objek yang terdapat

dalam populasi.Penelitian sampel menggunakan teknik purposive

sampling, sampel ditentukan oleh beberapa pertimbangan yang

dibuat oleh peneliti menyesuaikan dengan kondisi yang ada

(Sugiyono, 2013:156). Dalam teknik ini sampel harus memenuhi

kriteria sebagai berikut:

1) Perusahaan konstruksi yang tercatat dalam Bursa Efek Indonesia

Tahun 2015-2019.

2) Perusahaan tersebut secara periodik mengeluarkan laporan

keuangan tiap tahunnya kepada BEI dan memiliki kelengkapan

data selama periode pengamatan.

3) Perusahaan perseroan (persero) yang sebagian dari modal

tersebut milik Negara.

D. Teknik Pengumpulan Data

Dokumentasi dipilih sebagai teknik pengumpulan data penelitian

ini.Penelitian melihat laporan keuangan perusahaan yang menjadi

sampel.Penelitian mencari dan mengunduh data indeks harga saham

perusahaan konstruksi yang terdaftar dalam Bursa Efek Indonesia Tahun

2015-2919.Sumber data dalam penelitian ini adalah data sekunder yang

diperoleh melalui situs www.idx.co.id.

http://www.idx.co.id/

50

E. Alat Analisis Data

Penelitian ini menggunakan regresi data panel untuk teknik analisis data.

Regresi data panel adalah regresi yang menggabungkan sekaligus data

cross section dan time series dalam satu persamaan. Data cross

sectionmerupakan data yang terdiri dari beberapa atau banyak objek seperti

daerah, perusahaan dan orang dengan beberapa jenis contoh data seperti

aset-aset dalam perusahaan, pendapatan, beban, tingkat inflasi dan lain-

lain. Sedangkan data time seriesmerupakan data runtut waktu yang

biasanya meliputi satu variabel seperti harga saham, kurs mata uang atau

yang lainnya dengan data yang terdiri dari beberapa periode misalnya

harian, bulanan, kuartal dan tahunan (Sriyana, 2015). Regresi data panel

dalam penelitian ini diolah dengan menggunakan software Minitab.

2. Model Seri Waktu (Time Series)

Model seri waktu (time series) memprediksikan berdasarkan asumsi

bahwa masa depan adalah fungsi dari masa lalu. Dengan kata lain,

model ini melihat pada apa yang terjadi selama periode waktu dan

menggunakan seri data masa lalu untuk membuat ramalan (Render dan

Heizer, 2009:49). Metode peramalan seri waktu (time series) terdiri dari:

d) Metode Rata-rata Bergerak (Moving Average Method)

Menurut Subagyo (2008:6) Metode rata-rata bergerak (MA)

suatu metode peramalan yang dilakukan dengan mengambil

sekelompok nilai pengamatan menggunakan sejumlah data aktual

historis untuk menghasilkan peramalan. Pergerakan rata-rata

bermanfaat untuk mencari nilai rata-rata tersebut sebagai ramalan

untuk periode yang akan datang. Moving Average terdiri dari

51

Mean(rata-rata sederhana), Single Moving Average (bergerak

tunggal), dan Double Moving Average (bergerak ganda).Averaging

Method dipakai apabila:

• Kondisi setiap data pada waktu yang berbeda mempunyai bobot

yang sama sehingga fluktuasi random data dapat diredam dengan

rata-ratanya.

• Tidak semua data masa lalu dapat mewakili asumsi pola data

berlanjut terus dimasa yang akan datang, maka dapat dipilih

sejumlah periode tertentu saja.

• Periode yang relevan adalah n periode terakhir, maka rata-rata

dapat dihitung dengan n periode yang berbeda. Perataan inilah

yang disebut dengan Moving Average(rata-rata bergerak).

• Datanya stasioner, Single Moving Averagecukup baik untuk

meramalkan keadaan.

• Datanya tidak stasioner, mengandung pola trend maka dilakukan

Moving Average pada hasil Single Moving Average yang

dinamakan Moving Average with Linear Trend.

• Peramalan jangka pendek.

4. Simple Average

Simple Average menggunakan rata-rata (mean) dari

semua observasi-observasi pada periode-periode

sebelumnya yang relevan sebagai ramalan pada periode

berikutnya.

52

Persamaan (1) digunakan untuk menghitung rata-rata

(mean)data bagian perlambangan untuk peramalan

periode selanjutnya.

Ŷt+1= 𝟏

𝒕=

t

i

Yi1

………………….. (1)

Ketika sebuah observasi baru tersedia, peramalan

untuk periode selanjutnya, Ŷt+2, adalah rata-rata atau

mean, dihitung dengan persamaan (1) dan observasi yang

baru.

Ŷt+2= 𝒕Ŷ𝒕+𝟏+𝒀_𝒕+𝟏

𝒕+𝟏 … … … … … (2)

Metode Simple Average adalah salah satu teknik yang

tepat ketika kemampuan runtun untuk menjadi ramalan

sudah menjadi stabil, dan lingkungan di dalam runtun pada

umumnya tidak berubah.

5. Single Moving Average

Metode Simple Average menggunakan rata-rata dari

semua data peramalan.Jumlah konstan titik data dapat

ditetapkan pada awal dan dihitung rata-rata untuk

observasi terbaru.Istilah Moving Average digunakan untuk

menggambarkan pendekatan ini.Setiap observasi baru

menjadi tersedia, sebuah rata-rata baru dihitung dengan

menjumlahkan nilai paling baru dan mengeluarkan yang

paling tua.Moving Average ini lebih digunakan untuk

meramalkan periode selanjutnya. Persamaan (3)

53

menunjukkan peramalan Simple Moving Average, sebuah

Moving Average dari urutan ke-k, MA (k) dihitung dengan:

Persamaan (3) Moving Average dengan order ke-k

Ŷt+1= 𝒀𝒕+𝒀𝒕−𝟏+⋯+𝒀𝒕−𝒌+𝟏

𝒌

et = Yt – Ŷt

Dimana:

Ŷt+1 = nilai peramalan untuk periode selanjutnya

Yt = nilai sebenarnya pada periode t

k = jumlah perlakuan dalam Moving Average

Moving Average untuk periode waktu t adalah mean

aritmetik dari k observasi terbaru. Dalam Moving Average,

beban yang diberikan sama untuk setiap observasi. Setiap

data baru dimasukkan dalam rata-rata yang tersedia, dan

data paling awal dibuang.Kecepatan respon terhadap

perubahan dalam pola data dasar tergantung pada jumlah

periode k, termasuk dalam Moving Average.

6. Double Moving Average

Salah satu cara untuk meramalkan data time series

yang memiliki trend linear adalah dengan menggunakan

Double Moving Average. Metode ini secara tidak langsung

dinamakan set pertama dihitung Moving Average-nya dan

set kedua dihitung sebagai Moving Average dari

54

setpertama. Pertama, untuk menghitung Moving Average

dari order ke-k digunakan persamaan sebagai berikut:

Mt = Ŷt+1 = 𝒀𝒕+𝒀𝒕−𝟏+𝒀𝒕−𝟐 +⋯+𝒀𝒕−𝒌+𝟏

𝒌

Dimana:

Ŷt+1 = nilai peramalan untuk periode selanjutnya

Yt = nilai sebenarnya pada periode t

k = jumlah perlakuan dalam Moving Average

Kemudian persamaan (1) digunakan untuk menghitung

Moving Average kedua, yaitu:

M´t =𝑴𝒕+𝑴𝒕−𝟏+𝑴𝒕−𝟐 +⋯+𝑴𝒕−𝒌+𝟏

𝒌

Persamaan (2) digunakan untuk menghitung

peramalan dengan menambahkan selisih antara Moving

Average pertama dan Moving Average kedua dengan

Moving Average pertama.

αt = Mt + (Mt - M´t) = 2Mt - M´t … … … (2)

persamaan (3) adalah faktor penyesuaian tambahan

yang mirip dengan kemiringan ukuran yang dapat berubah

selama runtun waktu tersebut.

bt= 𝟐

𝒌−𝟏 (Mt - M´t) … … (3)

Akhirnya (4) persamaan ini digunakan untuk membuat

ramalan periode di masa depan.

Ŷt+p = αt + btp … … … (4)

55

Dengan:

k = jumlah periode dalam Moving Average

p = jumlah periode peramalan untuk masa mendatang

e) Metode Penghalusan Eksponensial (Exponential Smoothing

Method)

ExponentialSmoothing adalah metode peramalan pergerakan rata-

rata bobot lainnya atau suatu tipe teknik peramalan rata-rata

bergerak yang melakukan penimbangan dan memberikan bobot

eksponensial menurun terhadap observasi yang lebih

lama.Pemulusan eksponensial merupakan prosedur untuk terus

merevisi ramalan dalam pengamatan yang lebih baru dan juga

merupakan prosedur perbaikan terus menerus pada peramalan

terhadap objek pengamatan terbaru (Markidakis, 1999:63)).

Metode pemulusan eksponensial merupakan pendekatan yang

relatif sederhana namun kuat untuk peramalan. Salah satu ide dasar

model smoothingadalah untuk membangun perkiraan nilai masa

depan sebagai rata-rata tertimbang dari pengamatan masa lalu

dengan pengamatan yang lebih baru dengan nilai bobot yang lebih

besar dalam menentukan perkiraan dari pengamatan di masa lalu

yang lebih jauh. Tidak hanya itu, mereka dengan secara luas dapat

digunakan dalam bisnis untuk peramalan permintaan untuk

persediaan (Gardner dalam Jonnius, 2016:19).

Aplikasi pemulusan eksponensial untuk meramalkan data time

seriesbiasanya bergantung pada tiga metode dasar yaitu, pemulusan

eksponensial sederhana, trend dikoreksi pemulusan eksponensial

56

dan variasi musiman tersebut. Pendekatan umum untuk memilih

metode yang tepat untuk seri waktu tertentu didasarkan pada validasi

prediksi pada bagian yang dipotong dari sampel menggunakan

kriteria seperti kesalahan persentase rata-rata mutlak.Pendekatan

kedua adalah dengan mengandalkan kasus umum yang paling tepat

dari tiga metode.Untuk seri tahunan ini trend dikoreksi pemulusan

eksponensial, untuk seri sub-tahunan itu adalah adaptasi musiman

trend dikoreksi pemulusan eksponensial.Dasar pemikiran untuk

pendekatan ini adalah bahwa metode umum secara otomatis runtuh

dengan rekan-rekan ketika kondisi yang bersangkutan berkaitan

dalam data.Pendekatan ketiga dapat didasarkan pada kriteria

informasi bila metode kemungkinan maksimum yang digunakan

dalam hubungannya dengan pemulusan eksponensial untuk

memperkirakan parameter smoothing(Billah, et.al 2005).

Exponential Smoothingmerupakan sebuah prosedur dari

peramalan yang ditinjau kembali secara kontinyu.Hal ini

menunjukkan adanya penurunan beban-beban secara eksponensial

seiring dengan semakin lamanya sebuah observasi. Dengan kata

lain, observasi saat ini diberi nilai beban lebih besar daripada

observasi-observasi sebelumnya (Bagus, et.al. 2009). Metode

Exponential Smoothing meliputi metode-metode berikut ini:

3. Metode Single Exponential Smoothing

Metode pemulusan eksponensial tunggal tidak cukup baik

diterapkan jika datanya bersifat tidak stasioner, karena

57

persamaan yang digunakan dalam metode eksponensial tunggal

tidak terdapat prosedur pemulusan pengaruh trend yang

mengakibatkan data tidak stasioner menjadi data tetap tidak

stasioner, tetapi metode ini merupakan dasar bagi metode-

metode pemulusan eksponensial lainnya (Markidakis, Wheelright

dan McGee, 1992).

Exponential Smoothing secara terus menerus

mempertimbangkan kembali suatu perkiraan yang dipandang dari

data sebelumnya.Metode Exponential Smoothing berdasarkan

pada pemuusan nilai-nilai sebelumnya di dalam suatu

eksponensial yang menurun. Data masa lalu dimuluskan dengan

cara melakukan pembobotan menurun secara eksponensial

terhadap nilai pengamatan yang lebih lama, atau nilai yang lebih

baru diberikaan bobot yang relative lebih besar disbanding nilai

pengamatan yang lebih lama.

Dalam suatu penyajian Exponential Smoothing, peramalan

baru (pada saat t+1) dapat dianggap sebagai jumlahan dari

pengamatan yang baru (pada waktu t) dan peramalan yang

sebelumnya (untuk waktu t).Besarnya α (dimana 0 < α < 1)

diberikan pada nilai pengamatan yang baru saja diamati, dan

besar (1-α) diberikan pada peramalan yang sebelumnya.

Peramalan Baru = [α x (pengamatan baru] + [(1-α) x (peramalan

sebelumnya)]

• Pengamatan terakhir memiliki nilai α yang paling besar,

yaitu 0 < α < 1

58

• Pengamatan satu periode sebelumnya memiliki konstanta

smoothing yang lebih kecil, yaitu α (1-α)

• Pengamatan dua periode sebelumnya akan lebih kecil

lagi, yaitu α (1-α)2 dan begitu seterusnya

Ŷt+1 = α𝜸t + (1 – α) Ŷt

Dimana:

Ŷt+1 = nilai pemulusan berikutnya atau nilai peramalan

untuk periode berikutnya

α = konstanta pemulusan

Yt = pengamatan baru atau nilai sebelumnya pada

periode t

Ŷt = nilai pemulusan sebelumnya atau peramalan untuk

periode t

4. Metode Double Exponential Smoothing (Holt’s)

Merupakan pengembangan dari metode Exponential

Smoothing, yaitu:

Ŷt+p= Lt + pTt

Dengan

Lt = α𝛾t + (1 – α)( Lt-1 + Tt-1)

Tt = β(Lt – Lt-1) + (1 – β)Tt-1

Dimana

Lt = nilai penghalusan (smoothing) pada periode ke t

α = konstanta penghalusan (smoothing) untuk level yang

nilainya 0 < α

59

Β = konstanta penghalusan (smoothing) untuk estimasi trend

yang nilainya 0 < β < 1

Tt = estimasi trend

P = periode waktu ke depan untuk yang akan diramalkan

nilainya

Ŷt+p = nilai peramalan pada p periode yang akan datang

3. Evaluasi Metode / Teknik Peramalan

Tingkat kesalahan ramalan memberikan ukuran ketepatan dan

ukuran untuk membandingkan metode-metode alternif yang mungkin

digunakan (Yamit dalam Rachman, 2008: 2013). Beberapa metode lebih

ditentukan untuk meringkas kesalahan (error) yang dihasilkan oleh fakta

(keterangan) pada teknik peramalan. Sebagian besar dari pengukuran

ini melibatkan rata-rata beberapa fungsi dari perbedaan antara nilai

actual dan nilai peramalannya.Perbedaan antara nilai observasi dan nilai

ramalan ini sering dimaksud sebagai residual. Berikut persamaan untuk

menghitung error suatu peramalan, yaitu:

1. Mean Absolute Deviation (MAD) mengukur ketetapan ramalan

dengan merata-rata kesalahan dengan (nilai absolut masing-masing

kesalahan). MAD paling berguna ketika orang yang menganalisa

ingin mengukur kesalahan ramalan dalam unit yang