Perbandingan Proyeksi Harga Saham Menggunakan Fuzzy Time Series Tipe 1 dan 2
DOI:
https://doi.org/10.21831/pspmm.v8i2.306Keywords:
Fuzzy Time Series Tipe 1, Fuzzy Time Series Tipe 2, Saham, Analisis Runtun Waktu, DifferencingAbstract
Perindustrian di Indonesia kini telah berkembang pesat, terlebih lagi pada industri yang dimiliki oleh pihak-pihak swasta. Salah satu industri yang berhasil tumbuh dan mempertahankan kejayaannya ialah PT. Gudang Garam Tbk., di mana industri ini berfokus pada produk hasil tembakau, yaitu rokok. Kejayaan yang diraih tentu tak lepas dari peran para konsumen yang senantiasa setia menggunakan produknya secara berkala. Kondisi ini merupakan kesempatan baik untuk para investor yang ingin berkecimpung di dalamnya. Namun, sebelum turut serta, alangkah lebih baiknya jika seorang investor melakukan analisis terlebih dahulu agar mencegah mengalami kerugian di kemudian hari. Dalam peramalan harga saham, salah satu analisis yang dapat digunakan ialah menggunakan metode Fuzzy Time Series (FTS), baik Tipe 1 maupun 2. Metode ini memiliki kelebihan di mana tidak diperlukannya asumsi-asumsi dan syarat pola tertentu sehingga fleksibel digunakan pada data apapun. Meskipun demikian, penelitian ini mencoba bereksplorasi menggunakan dua cara yang berbeda, yakni dengan dan tanpa proses differencing, mengingat data berpola tren. Analisis ini menggunakan enam macam percobaan, yakni dengan dan tanpa proses differencing, di mana masing-masing teknik mencoba tiga interval yang berbeda. Hasil yang didapatkan adalah analisis dengan FTS Tipe 2 mendominasi dalam memberikan hasil yang lebih baik jika dibandingkan dengan FTS Tipe 1. Selain itu, meskipun metode FTS tidak memiliki syarat asumsi dan pola tertentu, tetapi pada analisis harga saham PT. Gudang Garam Tbk. tahun 2021 ini memberikan hasil bahwa perhitungan dengan proses differencing memberikan nilai eror RMSE yang cenderung lebih kecil.References
Kwanda, T. (2004). Pengembangan Kawasan Industri di Indonesia. Journal of Architecture and Built Environment, 28(1), 54 – 61.
Sihombing, P. R. & Arsani, A. M. (2020). Pengaruh Tingkat Pendidikan, Tingkat Kesejahteraan dan Penghasilan Terhadap Konsumsi Rokok Harian dari Penduduk Dewasa di Indonesia Tahun 2015. Bapennas Working Papers, 3(1), 75 – 87.
Winata, H. & Hapsari, Y. D. (2017). Penggunaan Metode Treshold Garch Dalam Memprediksi Harga Saham PT. Gudang Garam, Tbk. Jurnal Optimum, 7(1), 59 – 70.
Panjaitan, H., Prahutama, A., & Sudarno. (2018). Peramalan Jumlah Penumpang Kereta Api Menggunakan Metode ARIMA, Intervensi dan ARFIMA (Studi Kasus: Penumpang Kereta Api Kelas Lokal Ekonomi DAOP IV Semarang). Jurnal Gaussian, 7(1), 96 – 109.
Anggriningrum, D. P., Hendikawati, P., & Abidin, Z. (2013). Perbandingan Prediksi Harga Saham dengan Menggunakan Jaringan Syaraf Tiruan Backpropagation dan ARIMA. Unnes Journal of Mathematics, 2(2), 104 – 109.
Huarng, K. & Yu, H. K. (2005). A Type 2 Fuzzy Time Series Model for Stock Indexforecasting. Physica A: Statistical Mechanics and its Applications, 353, 445-462.
Ekananta, Y., Muflikhah, L., & Dewi, C. (2018). Penerapan Metode Average-Based Fuzzy Time Series Untuk Prediksi Konsumsi Energi Listrik Indonesia. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2(3), hal. 1283 – 1289.
Hanke, J. E. & Wichern D.W. (2005). Business Forecasting. London: Pearson Educacion
Elfajar, A. B., Setiawan, B. D., & Dewi, C. (2017). Peramalan Jumlah Kunjungan Wisatawan Kota Batu Menggunakan Metode Time Invariant Fuzzy Time Series. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 1(2), 85 – 94.
Williams, J. K. 2009. Introduction to Fuzzy Logic. In Artificial Intellegent Methods in the Environment Sciences. Dordrecht: Springer.
Sivanandam, S. N., Sumathi, S., & Deepa, S.N. (2007). Introduction to Fuzzy Logic using MATLAB. Berlin: Springer.
Taufiq, G. (2016). Implementasi Logika Fuzzy Tahani untuk Model Sistem Pendukung Keputusan Evaluasi Kinerja Karyawan. Jurnal Pilar Nusa Mandiri, 12(1), 12 – 20.
Arumsari, M. & Dani, A. T. R. D. (2021). Peramalan Data Runtun Waktu Menggunakan Model Hybrid Time Series Regression-Autoregressive Integrated Moving Average. Jurnal Siger Matematika, 2(2), 1 – 12.
As’ad, M., Wibowo, S. S., & Sophia, E. (2017). Peramalan Jumlah Mahasiswa Baru dengan Model Autoregressive Integrated Moving Average (ARIMA). JIMP (Jurnal Informatika Merdeka Pasuruan), 2(3), 20 – 22.
Chen, S. M. (1996). Forecasting Enrollments Based On Fuzzy Time Series. Fuzzy Sets and System, 81(3), 311 – 319.
