Penggunaan Model ARIMA Dalam Prediksi Saham: Studi Kasus Saham Gudang Garam
Achmad Teguh Prasetya Wicaksono1, Ahmad Farhan Nafisena 2
1, 2 Program Studi Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Jember, Jalan Kalimantan No. 37 – Kampus Bumi Tegalboto Kotak POS 159 Jember, Jawa Timur, 68121, Indonesia
[email protected] Abstract
The abstract should be clear, concise, and descriptive. This abstract should provide a brief introduction to the problem, objective of paper, followed by a statement regarding the methods and a brief summary of results. The abstract should end with a comment on the significance of the results or a brief conclusion. Abstracts are written in 10pt Times New Roman, preferably not more than 250 words.
Keywords: Maximum of 5 keywords separated by comma (,), crucial to the appropriate indexing of the papers, are to be given. eg: Realistic Mathematics Education; Design Research; Fuzzy Logic
Abstrak
Abstrak harus jelas, ringkas, dan deskriptif. Abstrak ini harus memberikan pengantar singkat tentang masalah, tujuan penelitian, diikuti dengan pernyataan tentang metode penulisan dan ringkasan singkat dari hasil penelitian . Abstrak harus diakhiri dengan komentar tentang pentingnya hasil penelitian atau kesimpulan singkat. Abstrak ditulis dengan jenis huruf Times New Roman ukuran 10pt, sebaiknya tidak lebih dari 250 kata. Abstrak dibuat dalam 2 bahasa, yaitu bahasa Indonesia dan bahasa inggris. Edisi bahasa Indonesia merupakan terjemahan dari abstrak dalam bahasa inggris dengan format sama seperti abstrak dalam bahasa inggris.
Kata kunci: Maksimum terdiri dari 5 kata kunci yang dipisah oleh tanda koma (,)
Copyright (c) 2024 Achmad Teguh Prasetya Wicaksono, Ahmad Farhan Nafisena
Corresponding author:
Email Address: email [email protected] (alamat, koresponden)
Received tanggal bulan tahun, Accepted tanggal bulan tahun, Published tanggal bulan tahun PENDAHULUAN 11pt, cetak tebal, HURUF BESAR
Saham Gudang Garam (GGRM) adalah salah satu saham unggulan di Bursa Efek Indonesia (BEI), mewakili sektor industri tembakau yang berpengaruh signifikan terhadap perekonomian nasional [1]. Gudang Garam masih menghadapi volatilitas harga saham yang besar karena perubahan harga tembakau, perubahan regulasi pemerintah, dan kondisi ekonomi makro [2]. Ini terjadi karena perusahaan memiliki kapitalisasi pasar yang besar dan stabilitas operasional [3]. Penelitian prediktif sangat penting untuk membantu investor memahami dinamika pergerakan harga saham [4]. Ini terutama berlaku untuk model seperti ARIMA, yang dapat menangkap pola historis dan musiman [5].
Investor menghadapi kesulitan ketika mereka menentukan strategi investasi mereka karena volatilitas harga saham [6]. Sangat penting untuk memiliki kemampuan untuk memprediksi harga saham secara akurat untuk memaksimalkan keuntungan dan mengurangi risiko [6]. Salah satu cara terbaik untuk memprediksi data deret waktu adalah Arima, atau Autoregressive Integrated Moving Average, yang berhasil menangkap tren musiman dan linier [7]. Investor dapat menggunakan pola prediksi harga saham untuk membuat keputusan yang lebih terinformasi dengan menggunakan model ini [8].
Model ARIMA bekerja dengan menganalisis data historis saham Gudang Garam melalui beberapa tahap: identifikasi model, estimasi parameter, dan validasi. Model ini menangkap pola tren dan
1
musiman untuk memprediksi pergerakan harga di masa depan. Dengan menguji efektivitas model ini terhadap data saham Gudang Garam, penelitian bertujuan untuk memberikan prediksi yang akurat dan relevan, sehingga dapat digunakan untuk menyusun strategi investasi yang lebih efektif di tengah ketidakpastian pasar. Penelitian ini diharapkan memberikan kontribusi praktis bagi investor dan perusahaan dalam memahami pergerakan harga saham, serta memberikan wawasan tentang efektivitas ARIMA sebagai alat analisis di pasar modal Indonesia.
TINJAUAN PUSTAKA
Model ARIMA (Autoregressive Integrated Moving Average)
Model ARIMA (Autoregressive Integrated Moving Average) adalah pendekatan analisis deret waktu yang menggabungkan elemen autoregressive (AR), differencing (I), dan moving average (MA).
Metode ini dirancang untuk menangani data yang tidak stasioner. Notasi ARIMA(p,d,q) digunakan untuk merepresentasikan model ini, di mana p mengacu pada tingkat autoregressive, d menunjukkan jumlah differencing yang diperlukan untuk mencapai stasioneritas, dan q merepresentasikan tingkat moving average.[9].
∅p(B)∇dZt=μ+θq(B)et Dimana :
Zt = Nilai pengamatan pada saat t
∅p= Koefisien parameter autoregresif (Autoregressive) θq= Koefisien parameter rataan bergerak (Moving average) B = Operator geser mundur
d = Parameter Pembeda (differencing) θ = Konstanta
et = Nilai sisaan (error)
(p , d , q) = (derajat AR, Tingkat differencing, derajat MA) Model Autoregressive (Autoregresive, AR)
Model Autoregressive (AR) merupakan salah satu metode dalam analisis deret waktu yang memanfaatkan hubungan linear antara nilai variabel saat ini dengan nilai-nilai sebelumnya untuk melakukan prediksi. Model ini dinyatakan dengan notasi AR(p), di mana p menggambarkan jumlah lag atau keterlambatan yang diperhitungkan dalam model. Model AR(p) secara matematis dapat ditulis sebagai:
Xt=μ+∅1Zt−1+∅2Zt−2+…+∅pZt−p+et Dimana :
Zt = Nilai pengamatan pada saat t,
∅p= Koefisien parameter autoregresif (Autoregressive),
Xt = Nilai variabel pada waktu t, μ = Konstanta,
et = Nilai sisaan (error)[10].
Integrated (I)
Komponen Integrated (I) menggambarkan proses diferensiasi data yang bertujuan untuk menjadikan deret waktu bersifat stasioner. Diferensiasi dilakukan dengan menghitung selisih antara nilai saat ini dan nilai sebelumnya, sehingga tren dapat dihilangkan dan variansi data menjadi lebih konsisten.
Model dari Integrated biasanya dinyatakan seperti berikut:
(1−B)dZt Dimana:
B = Operator geser mundur,
d = Parameter Pembeda (differencing), Zt = Nilai pengamatan pada saat t[11].
Model Rata Rata Bergerak (Moving Average, MA)
Model Moving Average (MA) pertama kali diperkenalkan oleh Slutzky pada tahun 1973 dengan orde q, yang dinyatakan sebagai MA(q) atau ARIMA(0,0,q), dan model ini kemudian dikembangkan lebih lanjut oleh Wadsworth pada tahun 1989.
Zt=μ+et−θ1et−1−θ2et−2−…−θqet−q Dimana:
Zt = Nilai pengamatan pada saat t,
θq= Koefisien parameter Moving Average, μ = Konstanta,
et = Nilai sisaan (error)[12]: Kestasioneran Data (Uji ADF)
Asumsi kestasioneran data dalam deret waktu menjadi syarat penting yang harus dipenuhi.
Deret waktu stasioner adalah kondisi di mana data berosilasi di sekitar nilai rata-rata dengan variansi yang tetap.[13]. Uji akar unit (unit root test) adalah metode yang digunakan untuk menentukan apakah suatu data bersifat stasioner. Dalam bidang statistika dan ekonometrika, salah satu metode yang sering digunakan untuk menguji kestasioneran adalah uji Augmented Dickey-Fuller (ADF). Uji ini bertujuan untuk mendeteksi keberadaan akar unit, yang dinyatakan sebagai hipotesis nol [14].
Fungsi Autokorelasi (ACF)
Fungsi autokorelasi digunakan untuk menunjukkan sejauh mana hubungan antara data pada waktu tertentu (t) dengan data pada waktu sebelumnya. Berdasarkan Wei [6], dalam proses deret waktu yang stasioner, rata-rata dan variansi data bersifat konstan, sedangkan kovarian hanya bergantung pada selisih waktu (|𝑡 − (𝑡 − 𝑘)|)[14].
Fungsi Auto Korelasi (PACF)
Fungsi autokorelasi parsial (PACF) pada lag ke k menggambarkan korelasi diantara Xt dan Xt+k setelah dependensi linier antara Xt dan Xt+k variable antara Xt−1 , Xt−2, . . ., Xt−k−1
.
Karena ∅kk adalah fungsi dari k, maka ∅kk bisa dikatakan fungsi autokorelasi parsial[15].
Peramalan (Forcesting)
ARIMA bekerja paling baik pada data yang telah di-stasionerkan, memungkinkan pola jangka pendek dan panjang teridentifikasi dengan baik. ARIMA dapat diterapkan pada berbagai jenis data keuangan, seperti prediksi harga saham (Gudang Garam, Tbk), nilai tukar mata uang, dan harga komoditas. Terdapat variasi SARIMA (Seasonal ARIMA) dirancang untuk data yang memiliki pola musiman berulang[16].
METODE PENELITIAN
Penelitian ini dilakukan dengan menggunakan data sekunder yaitu data saham perusahaan Gudang Garam. Data ini berisi kolom date dan Close, dimana data Close adalah harga terakhir yang resmi dari pasar bursa pada hari perdagangan tersebut. Pengolahan data menggunakan metode ARIMA dilakukan dengan bantuan website yaitu Google Colab menggunakan bahasa phyton. Penerapan metode ARIMA harus dilakukan sesuai aturan dari metode tersebut secara berurutan. Langkah-langkah penerapan metode ARIMA sebagai berikut:
1. Input data 2. Plotting data
3. Identifikasi karakteristik data dengan PACF dan ACF sebelum differencing 4. Pemeriksaan kestasioneran data dengan metode ADF
5. Identifikasi karakteristik data dengan PACF dan ACF sesudah differencing 6. Penentuan parameter p, d dan q dalam ARIMA
7. Penentuan model ARIMA terbaik dari beberapa parameter yang diperoleh.
8. Identifikasi model ARIMA 9. Prediksi
Sebagai bagian dari proses pengolahan data, penelitian ini juga dilengkapi dengan flowchart program untuk memvisualisasikan alur kerja metode ARIMA yang digunakan. Flowchart ini bertujuan untuk mempermudah pemahaman mengenai tahapan-tahapan analisis yang dilakukan, mulai dari pengumpulan data hingga tahap prediksi. Flowchart dari penelitian ini sebagai berikut:
Gambar 1. Flowchart Program Analisis Harga Saham PT. Gudang Garam, Tbk dengan ARIMA.
HASIL DAN DISKUSI
Data saham perusahaan Gudang Garam yang digunakan dalam penelitian memiliki periode waktu yaitu 21 November 2022 sampai dengan 18 November 2024. Data harian yang terdapat pada periode tersebut berjumlah 501 yang diambil dalam data close saham Gudang Garam pada website yahoofinance.com.
Gambar 2. Data Harga Saham PT. Gudang Garam, Tbk.
Pada gambar 2 menunjukan bahwa data saham harian diawali dengan Rp. 20.750 pada tanggal 11 November 2022 kemudian terjadi penurunan yang pada bulan Januari 2022 menjadi Rp.16.925.
Peningkatan saham terjadi pada paling tinggi dalam interval waktu ini terjadi pada bulan Mei tepatnya tanggal 10 Mei 2023 sebesar Rp.29.800. Harga saham yang terjadi setelah bulan Mei mengalami penurunan sampai bulan November 2024 yang juga mengalami beberapa peningkatan pada bulan tertentu, namun hingga bulan November 2024 harga saham Gudang Gara mengalami penurunan hingga Rp. 13.175 pada tanggal 18 November 2024.
Pada gambar 1 menunjukkan data harga saham Gudang Garam memiliki pola trend yang mengalami fluktuasi atau harga saham Gudang Garam terjadi naik turun setiap harinya dari bulan November 2022 hingga bulan November 2024. Oleh karena itu, data harga saham Gudang Garam menunjukkan karakteristik data yang tidak stasioner. Karakteristik data, plot data juga dapat dianalisis melalui koefisien Fungsi Autokorelasi (ACF) dan Fungsi Autokorelasi Parsial (PACF).
Gambar 3. Fungsi Autokorelasi Data Harga Saham PT. Gudang Garam, Tbk.
Gambar 4. Fungsi Autokorelasi Parsial Data Harga Saham PT. Gudang Garam, Tbk.
Pada gambar 3 dan gambar 4 diatas menunjukan bahwa koefisien autokorelasi berbeda secara signifikan dari nilai nol dan mengalami penurunan secara perlahan sedangkan semua koefisien autokorelasi parsial menunjukkan bahwa koefisiennya mendekati nol setelah lag kedua. Hal itu menunjukkan bahwa data harga saham Gudang Garam tidak bersifat stasioner. Sebelum harga saham
Gudang Garam diproses lebih jauh dengan metode ARIMA, maka data tersebut perlu dilakukan proses pembedaan (differencing).
Gambar 5. Data Harga Saham PT. Gudang Garam, Tbk dengan Selisih Orde 1
Pada gambar 5, data harga saham Gudang Garam menunjukkan bahwa plot yang tercipta setelah proses differencing mengalami pergerakan di sekitar rata rata harga saham, dari data tersebut dapat disimpulkan bahwa data tersebut sudah bersifat stasioner. Data yang sudah stasioner ini akan dilakukan plot kembali untuk melihat model ARIMA yang paling baik dengan melihat plot ACF dan PACF.
Gambar 6. Fungsi Autokorelasi Data Harga Saham PT. Gudang Garam, Tbk. dengan Selisih Orde 1
Gambar 7. Fungsi Autokorelasi Parsial Data Harga Saham PT. Gudang Garam, Tbk. dengan Selisih Orde 1
Pada hasil gambar 6 dan gambar 7 terlihat bahwa koenfiensi ACF dan PACF menurun secara eksponensial dan terdapat beberapa lag yang keluar dari selang kepercayaan. Penurunan plot ACF dan PACF secara eksponensial atau secara cepat menandakan data telah siap untuk digunakan dalam model ARIMA.
Selisih Parameter Nilai MSE
(0,1,0) 7.140248e+06
(0,1,1) 7.198688e+06
(0,1,2) 7.176347e+06
(1,1,0) 7.200804e+06
(2,1,0) 7.178637e+06
(1,1,1) 7.216096e+06
(2,1,1) 7.172435e+06
(2,1,2) 7.032454e+06
(1,1,2) 7.158775e+06
Tabel 1. Penentuan Nilai AR(p), I(d), MA(q) dengan MSE untuk Data Harga Saham PT. Gudang Garam, Tbk.
Langkah selanjutnya adalah mencari model terbaik dengan menggunakan cara menghitung MSE di setiap model yang diperoleh. Penghitungan MSE dilakukan dengan d = 1, karena pada differencing pertama data saham Gudang Garam telah stasioner sehingga diperlukan pencarian nilai p dan q. Berdasarkan teori semakin kecil nilai MSE yang diperoleh dari suatu model ARIMA maka model akan semakin baik. Dalam tabel diatas dapat menunjukkan model terbaik yang diperoleh yaitu model ARIMA dengan nilai p=2, d=1, q=2 yang dapat dituliskan ARIMA(2,1,2) dengan nilai MSE terkecil dari model lainnya yaitu 7.032454e+06. Model yang diperoleh adalah model terbaik sehingga model ini dapat dilanjutkan dalam memprediksi harga saham Gudang Garam untuk beberapa hari berikutnya.
Langkah validasi dilakukan untuk mengetahui kondisi data sebenarnya dengan hasil data prediksi dari harga saham Gudang Garam interval waktu bulan November 2022 sampai November 2024 menggunakan metode ARIMA (2,1,2). Data saham Gudang Garam ini telah dibagi dua yaitu data training dan data test dari data Close. Untuk memprediksi saham gudang garam, data yang digunakan adalah data test. Pada plot yang diperoleh yaitu perbandingan data aktual dan data prediksi dari interval waktu bulan November 2022 sampai November 2024 dengan model ARIMA (2,1,2) dengan nilai MSE terbaik dari model ARIMA lain.
Pada gambar 7 menunjukkan bahwa harga saham Gudang Garam adanya data prediksi dari model ARIMA (2,1,2) pada interval November 2022 sampai November 2024 memiliki tidak banyak perbedaan dari data aktual. Hal ini dapat dilihat dari plot yang tercipta yang dimana hasil prediksi ada beberapa yang meyimpang dan sebagian besar mendekati dari garis plot data aktual untuk interval waktu tersebut. Oleh karena itu, model ARIMA (2,1,2) dapat digunakan dalam memprediksi harga saham Gudang Garam pada bulan November 2022 sampai November 2024.
Tanggal Prediksi
19 November 2024 13207.362019 20 November 2024 13164.432273 21 November 2024 13189.804099 22 November 2024 13158.764237 23 November 2024 13178.438849 24 November 2024 13155.885616 25 November 2024 13171.016616 26 November 2024 13154.560421 27 November 2024 13166.123449 28 November 2024 13154.072711 29 November 2024 13162.865603 30 November 2024 13154.013977 1 Desember 2024 13160.674500 2 Desember 2024 13154.155986 3 Desember 2024 13159.185805 4 Desember 2024 13154.375091
5 Desember 2024 13158.164182 6 Desember 2024 13154.607453 7 Desember 2024 13157.456293 8 Desember 2024 13154.822747
Tabel 1. Prediksi Harga Saham 20 Hari Kedepan PT. Gudang Garam, Tbk.
Dari tabel 2 menunjukkan hasil prediksi harga saham Gudang Garam yang diperoleh dari model ARIMA (2,1,2) untuk memprediksi harga saham 20 hari kedepan setelah tanggal 18 November 2024.
Data yang digunakan untuk prediksi ini menggunakan data periode 27 Juni 2024 sampai tanggal 18 November 2024 yang merupakan data test. Data prediksi 20 hari kedepan yang diperoleh dari model ARIMA (2,1,2) menunjukkan saham terendah yaitu Rp. 13.154 sedangkan saham tertinggi yaitu Rp.
13.189.
KESIMPULAN
Penelitian ini memprediksi harga saham PT Gudang Garam dengan menggunakan metode ARIMA. Berdasarkan analisis, model ARIMA terbaik diperoleh melalui evaluasi parameter p, d, dan q yang ditentukan dari pola ACF dan PACF setelah data distasionerkan yaitu ARIMA (2,1,2) dengan nilai MSE sebesar 7.032454e+06. Model ini dipilih karena memiliki kinerja terbaik berdasarkan kriteria evaluasi.
Hasil prediksi menunjukkan bahwa model ARIMA yang digunakan sudah tepat. Model ini mampu untuk memprediksi harga saham PT Gudang Garam Tbk. disetiap waktu yang dapat dilihat dari plot data prediksi yang tercipta dimana plot prediksi ada beberapa yang meyimpang dan sebagian besar mendekati dari garis plot data aktual untuk interval waktu tersebut sehingga model ARIMA (2,1,2) sudah tepat digunakan untuk memprediksi harga saham PT Gudang Garam Tbk. Hasil prediksi harga saham PT Gudang Garam Tbk. 20 hari kedepan menunjukkan nilai saham tertinggi ya saham terendah yaitu Rp. 13.154 pada hari ke-8, hari ke-10, hari ke-12, hari ke-14, hari ke-16, hari ke-18, dan hari ke-20 setelah tanggal 18 November 2024 sedangkan saham tertinggi yaitu Rp. 13.189 pada tanggal 21 November 2024..
Prediksi harga saham PT Gudang Garam Tbk. dapat menangkap pola pergerakan harga saham dengan akurasi yang memadai, memberikan gambaran tren saham Gudang Garam untuk periode mendatang. Proses peramalan ini juga memberikan wawasan penting bagi investor dan analis untuk pengambilan keputusan strategis di pasar modal.
UCAPAN TERIMA KASIH 11pt, cetak tebal, HURUF BESAR
Kenali orang-orang yang membantu penelitian, terutama yang mendanai penelitian Anda.
Sertakan individu yang telah membantu Anda dalam studi Anda: Penasihat, Pendukung keuangan, atau mungkin pendukung lain seperti Proofreader, Pengetik, dan Pemasok yang mungkin telah memberikan
materi.
REFERENSI 11pt, cetak tebal, HURUF BESAR ( ≥ 15 sumber)
[1] L. Christina, “ANALISIS KOMPARATIF LAPORAN KEUANGAN PT GUDANG GARAM TBK. DENGAN INDUSTRI TOBACCO YANG TERDAFTAR DI BURSA EFEK INDONESIA PERIODE 2014-2019,” vol. 2, no. 3, 2021, doi: 10.31933/jemsi.v2i3.
[2] A. Julviani, N. Nurman, M. I. Musa, R. Sahabuddin, and A. F. Muhammad, “Analisis Rasio Keuangan Untuk Menilai Kinerja Keuangan Pt Gudang Garam Tbk Periode 2017 - 2021,” YUME : Journal of Management, vol. 6, no. 1, p. 181, 2023, doi: 10.37531/yum.v6i1.3537.
[3] H. Rosyida, A. Firmansyah, and S. B. Wicaksono, “Volatilitas Harga Saham: Leverage, Ukuran
Perusahaan, Pertumbuhan Aset,” JAS (Jurnal Akuntansi Syariah), vol. 4, no. 2, pp. 196–208, 2020, doi:
10.46367/jas.v4i2.256.
[4] I. A. Murti and S. Hermuningsih, “Analisa Laporan Keuangan Gudang Garam dan HM Sampoerna pada Masa Peralihan Covid-19,” Journal of Economics and Management Scienties, pp. 194–199, 2023, doi:
10.37034/jems.v5i4.22.
[5] M. T. Junaid, A. Juliana, and H. Sabrina, “Studi Perbandingan Model Arima Dan Garch Untuk Memprediksi Harga Saham Pada Perusahaan Tambang Di Indonesia,” Jurnal Ilmu Keuangan dan Perbankan (JIKA), vol. 10, no. 1, pp. 83–98, 2020, doi: 10.34010/jika.v10i1.3331.
[6] A. H. A. Zili, Derick Hendri, and S. A. A. Kharis, “Peramalan Harga Saham Dengan Model Hybrid Arima- Garch dan Metode Walk Forward,” Jurnal Statistika dan Aplikasinya, vol. 6, no. 2, pp. 341–354, 2022, doi: 10.21009/jsa.06218.
[7] R. Rosyidah and R. Sukmana, “Aplikasi Metode Autoregressive Integrated Moving Average (Arima) Pada Peramalan Stabilitas Bank Syariah Di Indonesia,” Jurnal Ekonomi Syariah Teori dan Terapan, vol.
5, no. 3, p. 200, 2019, doi: 10.20473/vol5iss20183pp200-215.
[8] V. Arumugam and V. Natarajan, “Time Series Modeling and Forecasting Using Autoregressive Integrated Moving Average and Seasonal Autoregressive Integrated Moving Average Models,”
Instrumentation Mesure Metrologie, vol. 22, no. 4, pp. 161–168, 2023, doi: 10.18280/i2m.220404.
[9] S. Siami Namin and A. Siami Namin, “FORECASTING ECONOMIC AND FINANCIAL TIME SERIES: ARIMA VS. LSTM,” 2018.
[10] M. T. Junaid, A. Juliana, and H. Sabrina, “Studi Perbandingan Model Arima Dan Garch Untuk Memprediksi Harga Saham Pada Perusahaan Tambang Di Indonesia,” Jurnal Ilmu Keuangan dan Perbankan (JIKA), vol. 10, no. 1, pp. 83–98, 2020, doi: 10.34010/jika.v10i1.3331.
[11] I. W. Misshuari, E. Kurniyaningrum, and R. Saily, “APPLICATION OF ARIMA METHOD FOR RAINFALL FORECASTING IN ASAHAN REGION,” INDONESIAN JOURNAL OF CONSTRUCTION ENGINEERING AND SUSTAINABLE DEVELOPMENT (CESD), vol. 6, no. 2, pp. 22–28, Dec. 2023, doi:
10.25105/cesd.v6i2.18815.
[12] J. Matematika-Fst and A. Makassar, “Peramalan Jumlah Penggunaan Kuota Internet Menggunakan Metode Autoregressive Integrated Moving Average (ARIMA) Tasna Yunita,” JOMTA Journal of Mathematics: Theory and Applications, vol. 1, no. 2, 2019.
[13] R. M. F. Lubis, Z. Situmorang, and R. Rosnelly, “Autoregressive Integrated Moving Average (ARIMA- Box Jenkins) Pada Peramalan Komoditas Cabai Merah di Indonesia,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 5, no. 2, p. 485, Apr. 2021, doi: 10.30865/mib.v5i2.2927.
[14] S. Deviana, D. Azis, dan Pandri Ferdias, J. Ir Sumantri Brojonegoro No, G. Meneng, and B. Lampung,
“Analisis Model Autoregressive Integrated Moving Average Data Deret Waktu Dengan Metode Momen Sebagai Estimasi Parameter,” 2021.
[15] A. K. Rachmawati, “Peramalan Penyebaran Jumlah Kasus Covid19 Provinsi Jawa Tengah dengan Metode ARIMA,” Zeta - Math Journal, vol. 6, no. 1, pp. 11–16, Dec. 2020, doi:
10.31102/zeta.2021.6.1.11-16.
[16] U. M. Sirisha, M. C. Belavagi, and G. Attigeri, “Profit Prediction Using ARIMA, SARIMA and LSTM Models in Time Series Forecasting: A Comparison,” IEEE Access, vol. 10, pp. 124715–124727, 2022, doi: 10.1109/ACCESS.2022.3224938.
