OPTIMASI INDIKATOR TEKNIS BERBASIS ALGORITME GENETIKA PADA PASAR MODAL
WAHYUDI HASBI
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2011
PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini saya menyatakan bahwa tesis Optimasi Indikator Teknis Berbasis Algoritme Genetika pada Pasar Modal adalah karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi manapun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.
Bogor, September 2011 Wahyudi Hasbi NRP G651080194
ABSTRACT HASBI. Optimization of Technical Indicators Based on Genetic Algorithm in Stock Exchange. Under direction of YENI HERDIYENI, and SONY HARTONO WIJAYA
Stock trading is become popular in Indonesia. The generation of profitable trading rules for stock exchange investments is a difficult but popular problem. The use of Machine Learning in this problem is to obtain objective results by using information in the past market behavior. In this research, genetic algorithm is used to automatically generate trading rules based on Technical Indicators. The method in this research used Hirabayashi (2009) model and also modification model of Hirabayashi by adding 2 additional technical indicators. The results shows that Hirabayashi Model and Modification Model generate better profit result compare with buy and hold strategy in small capitalization stock or big capitalization stocks in Indonesian Stock Exchange. By using Genetic Algorithm, some of the technical indicators could be ignored. It’s also found that modification model could adapt the price trend better than Hirabayashi Model. Keywords: stock, technical indicator, genetic algorithm.
RINGKASAN HASBI. Optimasi Indikator Teknis Berbasis Algoritme Genetika Pada Pasar Modal. Dibimbing oleh YENI HERDIYENI, dan SONY HARTONO WIJAYA. Pasar modal merupakan area yang menjadi alternatif bagi perusahaan atau investor perorangan untuk menanamkan modalnya dalam mendapatkan keuntungan. Area ini sangat luas dan sangat dipengaruhi oleh lingkungan perekonomian seperti suku bunga, kekuatan perusahaan dan perubahan yang terjadi setiap harinya. Oleh karena itu pergerakan harga saham sangat dinamis dan menjadikan investor atau pun para trader di bursa saham berusaha memahami pergerakan harga tersebut untuk memperoleh keuntungan. Salah satu alat yang sering digunakan untuk memahami dan mengantisipasi pergerakan harga saham adalah penggunaan indikator teknis. Indikator teknis merupakan formula atau teknik untuk memberikan sinyal beli dan jual saham kepada investor atau pun trader. Namun seringkali kali penggunaan inidkator teknis tersebut memberikan sinyal jual dan beli secara berbeda. Oleh karena itu diperlukan proses optimasi terhadap indikator teknis sehingga dapat memberikan sinyal jual dan beli secara optimal. Salah satu metode untuk melakukan proses optimasi adalah dengan menggunakan algoritme genetika. Pada penelitian ini dilakukan proses optimasi berbasis algoritme genetika dengan menggunakan model Hirabayashi (2009) dan kemudian melakukan modifikasi dengan penambahan dua indikator teknis tambahan yaitu ADX dan William%R. Data yang digunakan dalam penelitian ini menggunakan data saham harian tahun 2007-2008 yang terdiri dari saham PT. Bayu Buana Tbk mewakili saham berkapitalisasi kecil dan saham PT. Bumi Resources Tbk mewakili saham berkapitalisasi besar. Berdasarkan hasil penelitian, diketahui bahwa penggunaan algoritme genetika dalam model Hirabayashi maupun model Modifikasi dapat memberikan keuntungan lebih tinggi dibandingkan jika menggunakan model buy & hold. Selain itu diketahui pula bahwa dari proses optimasi berbasis algoritme genetika tersebut, terdapat indikator teknis yang digunakan dalam model Hirabayashi maupun model Modifikasi yang tidak perlu digunakan karena tidak memberikan pengaruh pada pengambilan keputusan jual atau beli. Model modifikasi juga menunjukkan kemampuan adaptasi yang lebih baik terhadap pergerakan harga dibandingkan dengan model Hirabayashi. Kedua model optimasi ini juga dapat diimplementasikan pada saham berkapitalisasi kecil maupun besar. Kata Kunci: saham, indikator teknis, algoritme genetika
© Hak Cipta milik IPB, tahun 2011 Hak Cipta dilindungi Undang-Undang Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan yang wajar IPB Dilarang mengumumkan dan memperbanyak sebagian atau seluruh Karya tulis dalam bentuk apa pun tanpa izin IPB
OPTIMASI INDIKATOR TEKNIS BERBASIS ALGORITME GENETIKA PADA PASAR MODAL
WAHYUDI HASBI
Tesis sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada Program Studi Ilmu Komputer
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2011
Penguji Luar Komisi pada Ujian Tesis: Dr. Ir. Agus Buono, M.Si, M.Kom.
Judul Penelitian Nama NRP
: Optimasi Indikator Teknis Berbasis Algoritme Genetika Pada Pasar Modal : Wahyudi Hasbi : G651080194
Disetujui Komisi Pembimbing
Dr. Yeni Herdiyeni, S.Si., M.Kom. Ketua
Sony Hartono Wijaya, S.Kom., M.Kom. Anggota
Diketahui
Ketua Program Studi Ilmu Komputer
Dr. Ir. Agus Buono, M.Si, M.Kom.
Tanggal Ujian :
Dekan Sekolah Pascasarjana IPB
Dr. Ir. Dahrul Syah, M.Sc.Agr
Tanggal Lulus:
PRAKATA Puji dan syukur penulsi panjatkan kepada Allah SWT atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan sebagai salah satu syarat kelulusan Program Pascasarjana pada Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Penulis mengucapkan terima kasih kepada Ibu Dr. Yeni Herdiyeni, S.Si, M.Kom selaku ketua komisi pembimbing yang telah memberikan segenap bantuan dan bimbingan kepada penulis selama proses penelitian dan penyusunan tesis ini. Penulis juga mengucapkan terima kasih kepada Bapak Sony Hartono Wijaya, M. Kom. selaku anggota komisi pembimbing yang telah memberikan saran, koreksi dan masukan kepada penulis. Terima kasih pula penulis ucapkan kepada Bapak Dr. Ir. Agus Buono, M.Si., M.Kom. selaku penguji. Penulis juga mengucapkan terima kasih kepada Syamsuri, S.Kom anggota tim TradeRiset atas bantuan yang telah diberikan. Juga tak lupa terima kasih penulis sampaikan kepada Bapak Irman Hermadi, S.Kom., M.Sc atas masukan yang sangat bermanfaat. Penulis juga mengucapkan terima kasih kepada Teman-teman angkatan IX Pascasarjana Ilkom, staf dan dosen Departmen Ilmu Komputer-IPB atas pertemanan dan bantuannya selama penulis mengikuti perkuliahan. Penulis juga mengucapkan terima kasih kepada orangtua yang telah memberikan dukungan moril dan doanya. Terkhusus terima kasih penulis sampaikan kepada istri tercinta Prihastuti Harsani & Priandy Family atas segala dukungan dan bantuan selama masa kuliah dan penelitian ini berlangsung. Akhirnya kepada semua pihak yang telah memberikan kontribusi yang besar selama perkuliahan dan pengerjaan penelitian ini yang tidak dapat disebutkan satu-persatu, penulis ucapkan terima kasih. Semoga penelitian ini dapat memberikan manfaat sebesar-besarnya.
Bogor, September 2011
Wahyudi Hasbi
RIWAYAT HIDUP Penulis dilahirkan di Biak, Papua pada tanggal 25 Oktober 1976 dari pasangan Hasan Basri dan Nursiah Tobbo. Penulis merupakan anak kedua dari enam bersaudara. Meluluskan sekolah menegah umum pada SMU Negeri 1 Biak. Tahun 2000, penulis lulus dari Jurusan Fisika F.MIPA Universitas Hasanuddin, dan kemudian diterima sebagai peneliti pada Lembaga Penerbangan dan Antariksa Nasional (LAPAN). Pada tahun 2004-2005, penulis terpilih sebagai anggota tim inti pengembangan Satelit Mikro LAPAN-TUBSAT di Technische Universität Berlin. Satelit Mikro LAPAN-TUBSAT tersebut kemudian diorbitkan dan beroperasi sejak Tahun 2007.
DAFTAR ISI Halaman DAFTAR TABEL ................................................................................................ xii DAFTAR GAMBAR .......................................................................................... xiii DAFTAR LAMPIRAN ........................................................................................ xiv PENDAHULUAN ...................................................................................................1 Latar Belakang .................................................................................................1 Tujuan ..............................................................................................................3 Ruang Lingkup ................................................................................................3 Manfaat ............................................................................................................4 Penelitian Terdahulu .........................................................................................4 TINJAUAN PUSTAKA .........................................................................................6 Algoritma Genetika .........................................................................................6 Tacit Knowledge ..............................................................................................9 Pasar Modal .....................................................................................................9 Saham .............................................................................................................11 Analisis Teknik ..............................................................................................13 Profit Cashing dan Loss Cutting ...................................................................14 METODOLOGI PENELITIAN ............................................................................18 Kerangka Pemikiran ......................................................................................18 Alur Penelitian ...............................................................................................19 Pemodelan ......................................................................................................20 HASIL DAN PEMBAHASAN .............................................................................26 Input Data Perdagangan Saham .....................................................................26 Pemodelan ......................................................................................................26 Model Hirabayashi (2009) .............................................................................26 Model Modifikasi ...........................................................................................33 Hasil Percobaan .............................................................................................34 KESIMPULAN DAN SARAN .............................................................................48 Kesimpulan ....................................................................................................48 Saran ..............................................................................................................48 DAFTAR PUSTAKA ...........................................................................................49 LAMPIRAN ...........................................................................................................50
DAFTAR TABEL Halaman 1 Persamaan Kondisional ...................................................................................... 22 2 Nilai Batasan Indikator Teknis .......................................................................... 27 3 Persamaan Kondisional Model Modifikasi ....................................................... 34 4 Aturan perdagangan periode 1 Model Hirabayashi ........................................... 38 5 Aturan perdagangan periode 1 Model Modifikasi ............................................. 38 6 Aturan perdagangan periode 5 Model Hirabayashi ............................................ 40 7 Aturan perdagangan periode 5 Model Modifikasi ............................................. 40 8 Aturan perdagangan periode 6 Model Hirabayashi ............................................ 41 9 Aturan perdagangan periode 6 Model Modifikasi ............................................. 41 10 Aturan perdagangan periode 2 Model Hirabayashi .......................................... 44 11 Aturan perdagangan periode 2 Model Modifikasi............................................ 44 12 Aturan Perdagangan periode 3 Model Hirabayashi .......................................... 45 13 Aturan Perdagangan periode 3 Model Modifikasi ........................................... 45 14 Aturan Perdagangan periode 6 Model Hirabayashi ......................................... 46 15 Aturan Perdagangan periode 6 Model Modifikasi ........................................... 46
DAFTAR GAMBAR Halaman 1 Tahapan Proses Pada GA ......................................................................................7 2 Alur Penelitian ....................................................................................................19 3 Pemodelan Algoritma Genetika ..........................................................................20 4 Representasi Kromosom ....................................................................................22 5 Proses Perdagangan .............................................................................................23 6 Pengelompokkan Individu untuk generasi baru ..................................................30 7 Diagram Alir Proses Seleksi ..............................................................................31 8 Proses Mutasi ......................................................................................................32 9 Ilustrasi Ujicoba Sistem ......................................................................................33 10 Struktur Kromosom Model Modifikasi Hirabayashi ........................................34 11 Optimasi Trading Rule PT Bayu Buana Tbk Model Hirabayashi ....................35 12 Optimasi Trading Rule PT Bayu Buana Tbk Model Modifikasi ......................35 13 Grafik Pergerakan Harga PT. Bayu Buana Tbk (BAYU) .................................36 14 Hasil Uji Saham PT. Bayu Buana Tbk. (BAYU) .............................................37 15 Pergerakan Harga Saham PT. Bumi Resources Tbk (BUMI) ............................ 42 16 Hasil Uji Saham PT. Bumi Resources Tbk. (BUMI) ........................................42
DAFTAR LAMPIRAN Halaman 1 Representasi Biner .............................................................................................. 52 2 Grafik Proses Optimasi ...................................................................................... 56 3 Aturan Perdagangan Optimal ............................................................................ 62
1
PENDAHULUAN
Latar Belakang Optimasi merupakan sebuah teknik matematis untuk menentukan solusi berupa keuntungan yang maksimum atau kerugian yang minimum dari beberapa alternatif solusi yang tersedia yang dibatasi pada kendala tertentu (Frederick 1996). Metode optimasi kerap digunakan dalam riset operasi dan analisis sistem, misalnya penjadwalan optimal dalam proses produksi, penentuan jalur terbaik untuk komoditi tertentu, dan sebagainya. Dalam bidang ekonomi, optimasi dapat digunakan dalam penentuan keputusan optimal, yaitu tindakan yang memberikan hasil yang paling konsisten dengan tujuan pengambil keputusan. Salah satu area ekonomi yang membutuhkan penentuan keputusan optimal adalah pasar modal. Pasar modal merupakan area yang menjadi alternatif bagi perusahaan atau investor perorangan untuk menanamkan uangnya dalam mendapatkan keuntungan (Firdaus 2010). Salah satu yang diperjualbelikan dalam pasar modal adalah saham. Antisipasi perubahan harga saham memerlukan strategi perdagangan saham. Terdapat dua pendekatan yang sering dilakukan untuk penentuan strategi perdagangan saham, yaitu analisis fundamental dan analisis teknis (Sharpe 1998). Analisis fundamental memperhitungkan berbagai faktor, seperti kondisi ekonomi suatu negara, kebijakan ekonomi, baik makro maupun mikro hingga kondisi keuangan perusahaan. Analisis teknis merupakan upaya untuk memperkirakan harga saham dengan mengamati perubahan harga saham tersebut (kondisi pasar) di waktu yang lampau. Meskipun demikian analisis teknis tidak terbatas dapat dilakukan pada saham saja, analisis teknis dapat pula dilakukan untuk memprediksi harga suatu komoditi maupun mata uang asing (Fernando 2002). Dalam pasar modal, seorang trader kerap kali menggunakan analisis teknis untuk memprediksi pergerakan harga saham. Hal ini dikarenakan karakteristik harga saham yang bergerak dinamis akibat proses permintaan dan penawaran. Secara umum, analisis teknis lebih banyak digunakan daripada analisis fundamental. Hal ini dikarenakan dalam analisis teknis tersedia data dalam Real
2
Time Information (RTI) dan Information Mark Quote (IMO) dalam bentuk grafik perubahan harga saham (Susanto 2010). Untuk menduga pergerakan harga saham terdapat beberapa parameter dalam analisis teknis yang disebut dengan indikator teknis, antara lain Moving Average, Weighted Moving Average (WMA) Bollinger. Stochastic, Williams %R Indicator, Relative Strength Index (RSI), Moving Average Convergence Divergence (MACD) (Emanuelle 2008). Indikator teknis ini akan memberikan sinyal atau indikasi kepada trader untuk melakukan penjualan atau pembelian saham. Pemilihan indikator teknis dilakukan melalui knowledge base yang menyimpan aturan-aturan dalam pasar saham. Prediksi harga saham dapat dilakukan melalui satu atau kombinasi beberapa indikator teknis. Prediksi tersebut akan menghasilkan indikasi untuk menjual atau membeli saham. Tiap-tiap indikator akan menghasilkan indikasi yang berbeda dan terkadang menghasilkan indikasi yang kontradiksi satu sama lain. Hal ini menyebabkan trader/investor terkadang harus menggunakan intuisi untuk menentukan indikator yang paling optimal untuk diikuti. Penggunaan intuisi trader dapat menghasilkan keputusan yang tidak sepenuhnya akurat dan membutuhkan waktu lama karena jumlah indikator yang banyak. Oleh karena itu dibutuhkan suatu teknik optimasi untuk penentuan aturan perdagangan dengan indikator teknis. Terdapat beberapa metode optimasi salah satunya adalah Algoritma Genetika (GA). GA adalah sebuah algoritma evolusioner yang mengikuti prinsip dasar seleksi alam. Empat konsep utama dalam algoritma genetika yang mengambil dari prinsip evolusi adalah seleksi, penyilangan, mutasi dan fitness. GA telah diterapkan untuk berbagai masalah optimasi, diantaranya otomotif, perancangan rekayasa, robotika, penjadwalan, strategi investasi dan pemasaran (Teeples 2010). GA dapat diimplementasikan dalam penentuan
kombinasi parameter
indikator teknis yang optimal sehingga keputusan yang diambil seorang trader dapat menghasilkan keuntungan yang maksimal. Melalui GA akan dihasilkan rentang nilai dan kombinasi indikator teknis yang optimal. Penerapan GA dalam pasar modal telah banyak dilakukan diantaranya oleh Allen (1999), Chen (2005)
3
dan Hirabayashi (2009). Pada Hirabayashi (2009) GA diimplementasikan untuk optimasi indikator pada pasar valuta asing. Rancangan percobaan untuk mendapatkan indikator teknis yang optimal dilakukan dengan implementasi penelitian yang dilakukan oleh Hirabayashi (2009) terhadap saham di Indonesia. Penggunaan GA dalam pemodelan perdagangan valuta asing dapat digunakan pada saham dikarenakan keduanya mempunyai prinsip perdagangan yang sama. Pada penelitian ini juga dilakukan modifikasi terhadap indikator teknis yang digunakan oleh Hirabayashi (2009). Saham yang digunakan dalam penelitian ini adalah saham yang memiliki jumlah kapitalisasi terbesar serta saham yang memiliki kapitalisasi terkecil pada tahun 2007-2008.
Tujuan Tujuan penelitian ini adalah melakukan optimasi aturan perdagangan saham yang berisi parameter indikator teknis menggunakan Algoritma Genetika.
Ruang lingkup Ruang lingkup penelitian ini sebagai berikut : 1. Model optimasi perdagangan saham yang digunakan adalah model optimasi yang digunakan oleh Hirabayashi (2009) untuk optimasi pada perdagangan valuta asing. 2. Jumlah kombinasi indikator teknis yang diidentifikasi adalah enam parameter. Adapun indikator teknis yang digunakan dalam penelitian ini adalah Relative Strength Index (RSI), Range Rate (RR), RSI Moving
Average (RSI MA),
Percent Difference (PD), ADX, dan William%R (WILL). Jumlah ini berbeda dengan acuan model Hirabayashi yang digunakan dikarenakan adanya hipotesa bahwa
penggunaan indikator teknis yang lebih banyak akan
memberikan hasil yang lebih baik. Sampai sejauh ini belum terdapat acuan yang menjadi dasar pemilihan indikator teknis. Hal ini disampaikan oleh Teeples (2010), Chauhan (2008), Yamawaki (2007). Oleh karena itu, pemilihan indikator teknis dalam penelitian ini menggunakan tacit knowledge
4
dalam knowledge base yang berkembang pada financial market dan yang paling dipercaya oleh trader/investor memberikan keuntungan paling besar. 3. Data yang digunakan adalah data harian pergerakan harga saham yang diperoleh dari Bursa Efek Indonesia dimulai 2007 sampai 2008. Adapun saham yang dipilih adalah saham yang memiliki kapitalisasi besar dan saham yang memiliki kapitalisasi kecil di Tahun 2007-2008. Manfaat Manfaat penelitian ini adalah tersedianya model strategi perdagangan yang optimal untuk memaksimalkan keuntungan dibandingkan dengan strategi perdagangan buy and hold.
Penelitian Terdahulu Penelitian terkait strategi perdagangan saham dengan GA diawali oleh Allen (1999). Penelitian ini melakukan optimasi dua indikator teknis yaitu moving average dan maxima & minima yang mengambil acuan harga saham sebelumnya. Melalui uji coba yang dilakukan terhadap data pada pasar modal S&P 500 dari tahun 1928 sampai 1995 ditunjukkan bahwa strategi perdagangan saham tidak menghasilkan keuntungan yang konsisten pada tiap transaksi selesai dilakukan. Berdasarkan ujicoba optimasi dapat dilakukan pula pendugaan terhadap keuntungan yang diperoleh dalam waktu harian. Pada tahun 2005 kembali dilakukan penelitian terkait optimasi strategi perdagangan saham yang dilakukan oleh Chen (2005). Penelitian ini melakukan optimasi terhadap indikator teknis dan parameternya. Perbandingan dengan strategi buy and hold dilakukan untuk menunjukkan performa hasil. Uji coba dilakukan melalui data pada Taiwan Sock Exchange. Indikator teknis yang digunakan adalah BIAS, RSI, OBV (On-Balance Volume) dan PSY. Hasil penelitian menunjukkan bahwa dengan optimasi parameter keempat indikator teknis, keuntungan rata-rata yang diperoleh adalah 85,46%. Pada ujicoba yang dilakukan dengan strategi buy and hold nilai keuntungan yang dihasilkan adalah 62,5%. Time frame menjadi salah satu indikator untuk penentuan keuntungan yang diperoleh.
5
Optimasi parameter juga dilakukan pula terhadap RSI, Exponential Moving Averages (EMA), MACD dan WMA. Ujicoba dilakukan terhadap Dow Jones Industrial Average (DJIA) dari New York Stock Exchange (NYSE) mulai 2000 – 2005. Penelitian ini menunjukkan kombinasi parameter indikator teknis yang dihasilkan melalui GA lebih baik dibandingkan strategi buy and hold. Pada tahun 2009, indikator teknis kembali menjadi parameter yang digunakan untuk menghasilkan strategi perdagangan saham yang optimal. Hirabayasi (2009) menerapkan strategi perdagangan pada perdagangan mata uang asing. Indikator teknis yang digunakan oleh Hirabayashi (2009) adalah RSI, percentage difference (PD), moving average (MA) dan range rate (RR). Optimasi dilakukan menggunakan GA dengan representasi gen berbentuk biner. Hasil penelitian menunjukkan bahwa strategi perdagangan saham menggunakan GA mampu menghasilkan keuntungan lebih besar dibandingkan dengan metode jaringan syaraf tiruan dan strategi buy and hold. Pada tahun 2010, Elis melakukan penelitian yang kembali menitik beratkan optimasi parameter indikator teknis. Indikator yang diambil adalah bollinger band, MACD, dan the average bands. Pada tahun yang sama, Teeples (2010) juga melakukan optimasi menggunakan algoritma genetika untuk dua indikator teknis yaitu EMA dan RSI.
6
TINJAUAN PUSTAKA
Algoritme Genetika Algoritma Genetika (GA) adalah algoritma yang memanfaatkan proses seleksi alamiah yang dikenal dengan proses evolusi. Dalam proses evolusi, individu secara terus menerus mengalami perubahan gen untuk menyesuaikan dengan lingkungan hidupnya (Basuki 2003). Terdapat 4 kondisi yang sangat mempengaruhi proses evolusi, yaitu : 1. Kemampuan organisme untuk melakukan reproduksi 2. Keberadaan populasi organisme yang bisa melakukan reproduksi 3. Keberagaman organisme dalam suatu populasi 4. Perbedaan kemampuan untuk bertahan. GA pertama kali diperkenalkan oleh John Holland dari Universitas Michigan (1975), Setiap masalah yang berbentuk adaptasi dapat diformulasikan dalam terminologi genetika. GA mempunyai struktur umum sebagai berikut : 1. Populasi, istilah pada teknik pencarian yang dilakukan sekaligus atas sejumlah solusi yang mungkin. 2. Kromosom, individu yang terdapat dalam satu populasi dan merupakan suatu solusi yang masih berbentuk simbol. Simbol pada kromoson bisa berbeda, tergantung pada teknik penyandian yang digunakan. 3. Generasi, populasi awal dibangun secara acak sedangkan populasi selanjutnya merupakan hasil evolusi kromosom-kromosom melalui iterasi. 4. Fungsi Fitness, alat ukur yang digunakan untuk proses evaluasi kromosom. Nilai fitness dari suatu kromosom akan menunjukkan kualitas kromosom dalam populasi tersebut. 5. Generasi berikutnya dikenal dengan anak (offspring) terbentuk dari gabungan 2 kromosom generasi sekarang yang bertindak sebagai induk (indukan) dengan menggunakan operator penyilang (penyilangan). 6. Mutasi, operator untuk memodifikasi kromosom
7
Tahapan proses pada GA disajikan pada Gambar 1 Membuat populasi kromosom
Menentukan nilai fitness tiap individu
Memilih generasi berikutnya
Menampilkan hasil
Melakukan reproduksi dengan crossover
Melakukan mutasi
Gambar 1 Tahapan proses pada GA Terdapat 6 komponen GA : 1. Teknik Penyandian Teknik penyandian meliputi penyandian gen dari kromosom. Gen merupakan bagian dari kromosom, satu gen biasanya akan mewakili satu variabel. Gen dapat direpresentasikan dalam bentuk: string bit, pohon, array bilangan real, daftar aturan, elemen permutasi, elemen program dan lain-lain. Kromosom dapat direpresentasikan dengan menggunakan : • String bit : 10011, 11101 • Bilangan Real : 65.65, 562.88 • Elemen Permutasi : E2, E10 • Daftar Aturan : R1, R2, R3 • Elemen Program: pemrograman genetika • Struktur lainnya 2. Prosedur Inisialisasi Ukuran populasi tergantung pada masalah yang akan dipecahkan dan jenis operator genetika yang akan diimplementasikan. Setelah ukuran populasi
8
ditentukan, kemudian harus dilakukan inisialisasi terhadap kromosom yang terdapat pada populasi tersebut. Inisialisasi kromosom dilakukan secara acak, namun demikian harus tetap memperhatikan domain solusi dan ke dalam permasalahan yang ada. 3. Fungsi Evaluasi Ada 2 hal yang harus dilakukan dalam melakukan evaluasi kromosom yaitu: evaluasi fungsi objektif dan konversi fungsi objektif ke dalam fungsi fitness. 4. Seleksi Seleksi bertujuan untuk memberikan kesempatan reproduksi yang lebih besar bagi anggota populasi yang paling fit. Ada beberapa metode seleksi dari induk, yang paling sering digunakan adalah roulette wheel selection dan tournament selection.) • Roulette wheel selection Roulete wheel selection adalah seleksi berdasarkan kualitas individual. Semakin berkualitas individu semakin besar kemungkinan individu ini terpilih untuk menjadi anggota pada populasi yang baru. • Tournament selection Proses seleksi turnamen pada algoritma genetika, berdasar pada aturan survival of the fittest, yaitu proses dimana kromosom dipilih untuk generasi berikutnya dalam kaitan dengan fitness. 5. Operator Genetika Ada 2 operator genetika yaitu crossover dan mutasi -
Crossover atau rekombinasi Proses rekombinasi atau yang lebih dikenal dengan nama proses crossover adalah menyilangkan dua kromosom sehingga membentuk kromosom baru yang harapannya lebih baik dari pada induknya. Tidak semua kromosom pada suatu populasi akan mengalami proses rekombinasi. Kemungkinan suatu kromosom mengalami proses rekombinasi didasarkan pada probabilitas crossover yang telah ditentukan terlebih dahulu. Probabilitas crossover menyatakan peluang suatu cromosom akan mengalami crossover.
9
-
Mutasi Proses mutasi dilakukan setelah proses rekombinasi dengan cara memilih kromosom yang akan dimutasi secara acak, dan kemudian menentukan titik mutasi pada kromosom tersebut secara acak pula. Banyaknya kromosom yang akan mengalami mutasi dihitung berdasarkan probabilitas mutasi yang telah ditentukan terlebih dahulu Apabila probabilitas mutasi adalah 100% maka semua kromosom yang ada pada populasi tersebut akan mengalami mutasi. Sebaliknya jika probabilitas mutasi yang digunakan adalah 0% maka tidak ada kromosom yang mengalami mutasi pada populasi tersebut. Ada bermacam-macam teknik mutasi yang dapat digunakan untuk menyelesaikan suatu masalah dengan algoritma genetika. Seperti pada teknik rekombinasi, teknik mutasi juga dirancang untuk digunakan pada suatu masalah yang spesifik sehingga tidak setiap teknik mutasi dapat diterapkan pada suatu masalah yang akan diselesaikan. Selain itu, teknik mutasi yang digunakan juga harus sesuai dengan teknik encoding yang digunakan untuk menyelesaikan permasalahan tersebut.
6. Penentuan Parameter Parameter adalah parameter kontrol algoritme genetika, yaitu: ukuran populasi (popsize), peluang penyilangan (pc) dan peluang mutasi (pm).
Tacit Knowledge Menurut Nonaka (1995) tacit knowledge dapat didefinisikan sebagai pengetahuan pribadi yang tertanam dalam pengalaman seseorang dan melibatkan hal-hal yang tidak terwujud seperti kepercayaan, perspektif dan nilai system. Tacit knowledge berbeda dengan jenis pengetahuan yang lain yaitu explicit knowledge yang dapat diartikulasikan dalam bahasa formal termasuk pernyataan gramatikal, ekpresi matematika, spesifikasi, manual dan sebagainya.
Pasar Modal Pasar modal adalah pasar dari berbagai instrumen keuangan (sekuritas) jangka panjang yang dapat diperjualbelikan, baik dalam bentuk hutang (obligasi) maupun modal sendiri (saham) yang diterbitkan pemerintah atau perusahaan
10
swasta. Pada dasarnya fungsi pasar modal sebagai wahana demokratisasi pemilikan saham yang ditunjukkan dengan semakin banyaknya institusi dan individu yang memiliki saham perusahaan yang telah go public (Husnan 2001). Pada pasar modal, pelakunya dapat berupa perseorangan maupun organisasi/perusahaan. Bentuk yang paling umum dalam investasi pasar modal adalah saham dan obligasi. Saham dan obligasi dapat berubah-ubah nilainya karena dipengaruhi oleh banyak faktor. Pasar modal merupakan pasar untuk berbagai instrumen keuangan jangka panjang yang bisa diperjualbelikan, baik dalam bentuk utang ataupun modal sendiri. Instrumen-instrumen keuangan yang diperjualbelikan di pasar modal seperti saham, obligasi, waran, right, obligasi konvertibel, dan berbagai produk turunan (derivatif) seperti opsi (put atau call). Di dalam Undang-Undang Pasar Modal No. 8 Tahun 1995, pengertian pasar modal dijelaskan lebih spesifik 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 memberikan peran besar bagi perekonomian suatu negara karena pasar modal memberikan dua fungsi sekaligus, fungsi ekonomi dan fungsi keuangan. Pasar modal dikatakan memiliki fungsi ekonomi karena pasar modal menyediakan fasilitas atau wahana yang mempertemukan dua kepentingan yaitu pihak yang memiliki kelebihan dana (investor) dan pihak yang memerlukan dana (issuer). Dengan adanya pasar modal maka perusahaan publik dapat memperoleh dana segar masyarakat melalui penjualan Efek saham melalui prosedur IPO atau efek utang (obligasi). Pasar modal dikatakan memiliki fungsi keuangan, karena pasar modal memberikan kemungkinan dan kesempatan memperoleh imbalan (return) bagi pemilik dana, sesuai dengan karakteristik investasi yang dipilih. Jadi diharapkan dengan adanya pasar modal aktivitas perekonomian menjadi meningkat karena pasar modal merupakan alternatif pendanaan bagi perusahaan-perusahaan untuk dapat meningkatkan pendapatan perusahaan dan pada akhirnya memberikan kemakmuran bagi masyarakat yang lebih luas.
11
Saham Menurut Darmaji (2006), saham dapat didefinisikan sebagai tanda penyertaan atau kepemilikan seseorang atau badan dalam suatu perusahaan atau perusahaan terbatas. Wujud saham berupa selembar kertas yang menerangkan siapa pemiliknya. Akan tetapi, sekarang ini sistem tanpa warkat sudah dilakukan di pasar modal Jakarta dimana bentuk kepemilikan tidak lagi berupa lembaran saham yang diberi nama pemiliknya tapi sudah berupa account atas nama pemilik atau saham tanpa warkat. Jadi penyelesaian transaksi akan semakin cepat dan mudah. Saham atau ekuitas merupakan surat berharga yang sudah banyak dikenal masyarakat. Umumnya jenis saham yang dikenal adalah saham biasa (common stock). Saham sendiri dibagi menjadi dua jenis saham, yaitu saham biasa (common stock) dan saham preferen (preferred stock). Saham biasa, merupakan saham yang menempatkan pemiliknya paling yunior atau akhir terhadap pembagian dividen dan hak atas harta kekayaan perusahaan apabila perusahaan tersebut dilikuidasi (tidak memiliki hak-hak istimewa). Karakterisktik lain dari saham biasa adalah dividen dibayarkan selama perusahaan memperoleh laba. Setiap pemilik saham memiliki hak suara dalam rapat umum pemegang saham (one share one vote). Pemegang saham biasa memiliki tanggung jawab terbatas terhadap klaim pihak lain sebesar proporsi sahamnya dan memiliki hak untuk mengalihkan kepemilikan sahamnya kepada orang lain. Saham preferen merupakan saham yang memiliki karakteristik gabungan antara obligasi dan saham biasa, karena bisa menghasilkan pendapatan tetap (seperti bunga obligasi). Persamaan saham preferen dengan obligasi terletak pada 3 (tiga) hal: ada klaim atas laba dan aktiva sebelumnya, dividen tetap selama masa berlaku dari saham dan memiliki hak tebus dan dapat dipertukarkan dengan saham biasa. Saham preferen lebih aman dibandingkan dengan saham biasa karena memiliki hak klaim terhadap kekayaan perusahaan dan pembagian dividen terlebih dahulu. saham preferen sulit untuk diperjualbelikan seperti saham biasa, karena jumlahnya yang sedikit. Daya tarik dari investasi saham adalah dua keuntungan yang dapat diperoleh pemodal dengan membeli saham atau memiliki saham, yaitu dividen
12
dan capital gain. Dividen merupakan keuntungan yang diberikan perusahaan penerbit saham atas keuntungan yang dihasilkan perusahaan. Biasanya dividen dibagikan setelah adanya persetujuan pemegang saham dan dilakukan setahun sekali. Agar investor berhak mendapatkan dividen, pemodal tersebut harus memegang saham tersebut untuk kurun waktu tertentu hingga kepemilikan saham tersebut diakui sebagai pemegang saham dan berhak mendapatkan dividen. Dividen yang diberikan perusahaan dapat berupa dividen tunai, dimana pemodal atau pemegang saham mendapatkan uang tunai sesuai dengan jumlah saham yang dimiliki dan dividen saham dimana pemegang saham mendapatkan jumlah saham tambahan. Capital gain merupakan selisih antara harga beli dan harga jual yang terjadi. Umumnya investor jangka pendek mengharapkan keuntungan dari capital gain. Saham dikenal memiliki karakteristik high risk-high return. Artinya saham merupakan surat berharga yang memberikan peluang keuntungan yang tinggi namun
juga
berpotensi
risiko
tinggi.
Saham
memungkinkan
pemodal
mendapatkan keuntungan dalam jumlah besar dalam waktu singkat. Namun seiring dengan berfluktuasinya harga saham, saham juga dapat membuat investor mengalami kerugian besar dalam waktu singkat. Harga pasar merupakan harga yang paling mudah diketahui karena harga pasar merupakan harga suatu saham pada pasar yang sedang berlangsung. Jika pasar
bursa
efek
sudah
tutup,
maka
harga
pasarnya
adalah
harga
penutupannya/closing price. Jadi harga pasar inilah yang menyatakan naik turunnya suatu saham . Jika harga pasar ini dikalikan dengan jumlah saham yang diterbitkan/outstanding shares maka akan didapatkan nilai pasar atau nilai kapitalisasi pasar (market value or market capitalization). Kapitalisasi pasar dari saham-saham yang diperdagangkan dipasar modal dibagi dalam tiga kelompok berdasarkan kapitalisasinya, yaitu: kapitalisasi besar, kapitalisasi sedang dan kapitalisasi kecil. Saham yang berkapitalisasi besar merupakan saham–saham yang nilai kapitalisasinya lebih besar atau sama dengan 5 trilyun rupiah (Faried 2008).
13
Analisis Teknis Analisis Teknis merupakan teknik analisis saham yang dilakukan dengan menggunakan data historis mengenai perkembangan harga saham dan volume perdagangan saham dalam pola grafik. Pola ini kemudian digunakan sebagai model pengambilan keputusan. Penawaran dan permintaan akan digunakan untuk memprediksi tingkat harga mendatang dan pergerakannya. Analisis teknis merupakan teknik analisis yang paling banyak dilakukan oleh para investor, bahkan penelitian Taylor dan Aller (1992) dalam Fernando (2002) menyatakan bahwa lebih dari 90% investor memberikan bobot yang lebih tinggi pada penggunaan analisis teknis dibandingkan analisis fundamental dalam membeli atau menjual saham. Asumsi dalam analisis teknis antara lain : 1. Kejadian di pasar menggambarkan segalanya (market action discount everything). Reaksi pasar akan terjadi sesuai dengan kondisi pasar tersebut, dimana apabila tawaran jual (offer) lebih banyak dibandingkan tawaran beli (bid) maka harga akan bergerak turun. Demikian pula sebaliknya apabila tawaran jual lebih sedikit dibandingkan dengan tawaran beli maka harga akan bergerak naik. 2. Harga bergerak mengikuti tren (Price move in trends). Harga saham akan bergerak sesuai dengan keadaan pasar, seperti yang telah dijelaskan sebelumnya. Apabila suatu harga saham telah bergerak baik naik ataupun turun maka harga saham tersebut untuk selanjutnya akan mengikuti pola sebelumnya sampai berita atau isu yang terbaru ada. 3. Masa lalu akan terulang dengan sendirinya (history repeat itself). Pergerakan harga saham yang pernah terjadi akan selalu melekat dibenak seorang investor dan cenderung untuk menjadi acuan bagi seorang investor untuk mengambil keputusan investasi. Analisis teknis dapat didefinisikan sebagai penggunaan data spesifik yang berasal dari transaksi dipasar untuk analisis baik harga saham agregat (indeks pasar maupun rata-rata industri) atau harga saham tunggal. (Susanto 2010). Pendekatan teknis dalam investasi pada dasarnya adalah refleksi ide bahwa harga
14
bergerak dalam tren yang ditentukan oleh perubahan perilaku investor terhadap berbagai macam tekanan ekonomi, moneter, politik dan psikologis. Seni analisis teknis, dalam kaitannya sebagai seni, digunakan untuk mengidentifikasi perubahan tren pada tahap awal dan untuk menjaga bentuk investasi sampai beratnya menunjukkan bahwa tren akan berbalik mengartikulasikan asumsi dasar yang mendasari analisis teknis sebagai berikut : 1. Nilai pasar ditentukan oleh interaksi antara penawaran dan permintaan 2. Penawaran dan permintaan diatur oleh berbagai faktor, baik rasional maupun irasional. 3. Harga sekuritas cenderung untuk bergerak pada sebuah tren yang bertahan untuk waktu yangcukup lama, disamping fluktuasi kecil dipasar. 4. Perubahan didalam tren disebabkan oleh pergeseran penawaran dan permintaan. 5. Pergeseran pada penawaran dan permintaan, dengan tidak memperhatikan mengapa pergesaran terjadi, dapat dideteksi cepat atau lambat pada grafik transaksi pasar. 6. Beberapa pola grafik cenderung mengalami pengulangan. Profit Cashing dan Loss Cutting Profit Cashing: Merupakan tindakan likuidasi posisi dalam keadaan untung. Hal ini dilakukan untuk mendapatkan keuntungan yang lebih besar. Pada umumnya profit cashing dilakukan pada kisaran keuntungan 1 sampai 10% Loss Cutting: Merupakan tindakan likuidasi posisi dalam keadaan rugi. Hal ini dilakukan untuk menghindari kerugian yang lebih besar. Umumnya cut loss ini dilakukan pada kisaran kerugian 30 poin sampai 50 poin pada perdagangan mata uang asing. Sebagai contoh dapat diilustrasikan pada perdagangan valuta asing. Harga pembukaan adalah GBP/USD 1,8850 untuk tiap 1 lot. Ternyata harga bergerak turun. Untuk menghindari kerugian yang lebih besar, pada saat harga GBP/USD mencapai GPB/USD 1,8820 langsung likuidasi posisi tersebut (close sell) dengan kerugian 30 poin (GBP/USD 1,8850 - GPB/USD 1,8820) (Nurdiasmanto
2008). Beberapa indikator teknis yang digunakan dalam
penelitian ini berdasarkan Hirabayashi (2009), Susanto (2010), adalah:
Joni (2010)
15
a. Relativte Strength Index (RSI) Relative Strength Index merupakan suatu osilator yang digunakan dalam analisa
teknis
untuk
menunjukkan
kekuatan
harga
dengan
cara
membandingkan pergerakan kenaikan dan penurunan harga. Persamaan yang digunakan dalam RSI adalah sebagai berikut : .......................................................................................... (1) .......................................................................................... (2) (
)
..................... (3) ............................. (4)
(
)
...................... (5) ................................. (6)
Dengan average gain adalah keuntungan rata-rata yang diperoleh dengan melihat rata-rata
keuntungan sebelumnya (previous average gain) dan
keuntungan yang diperoleh pada saat ini (current gain) b. William %R (WILL) Indikator teknis ini ini pada dasarnya digunakan untuk mengukur tingkat jenuh beli atau jenuh jual dari market. Biasa digunakan bukan saja pada pasar uang tetapi juga dapat digunakan pada pasar saham atau komoditi (analisa teknis dapat diterapkan pada berbagai jenis pasar karena tidak terikat dengan jenis produk). Bentuk dasar dari Williams %R adalah sebagai berikut:
……………………………..…….……….(7)
Dengan N adalah periode yang dikehendaki untuk perhitungan (nilai awal adalah 14). Jika merujuk rumus diatas, maka dapat disimpulkan Williams %R tergolong sebagai indikator Oscillator. Williams %R (biasa juga disebut Williams R – tanpa “%”) hanya bergerak pada rentangnya yang terbatas yaitu -100 hingga 0. Berbeda dengan RSI yang di plot pada kisaran 0 ke 100.
16
Namun selain perbedaan rentang pergerakannya, cara membacanya kurang lebih sama dengan indikator-indikator oscillator lainnya. c. Average Directional Index (ADX) ADX adalah sebuah indicator yang digunakan dalam analisis teknis sebagai sebuah nilai obyektif dari trend perdagangan. ADX adalah non-directional artinya ADX akan menghitung kekuatan tren daripada melihat apakah trennya menaik atau menurun. ADX biasanya diplotkan dalam sebuah bagan window sepanjang dua garis. Garis ini dikenal dengan DMI (Directional Movement Indicator). ADX diturunkan dari hubungan garis DMI Persamaan dalam untuk menghitung nilai ADX adalah sebagai berikut : (
(
)
(
((
)) ) (
………………………………….....…………(8) ))
……………………..…………….....…………(9)
dengan N = smoothing period DI = Directional Indicator d. Moving Average (MA) Moving Average adalah teknik untuk memperhalus variasi harga dalam jangka waktu pendek (data longitudinal). MA dapat ditentukan dengan menghitung nilai rata-rata harga pada n hari terakhir. MA digunakan untuk mengerti tren saat ini. Terdapat beberapa tipe Moving Average, tergantung pada harga lampau yang telah diberi bobot. Persamaan untuk menghitung MA adalah sebagai berikut :
(
)
……………………....…(10)
dengan: Pm = harga hari ini n = jumlah hari
Dalam penelitian ini juga digunakan indikator teknis relative strength index moving average (RSI MA) yang merupakan indikator gabungan antara RSI dan MA
17
e. Percent Difference (PD) Teknikal indikator ini menunjukkan berapa besar perbedaan harga berbeda dengan pergerakan harga rata-rata seperti pada moving average. Teknikal indikator ini adalah bentuk teknikal indikator yang berlawanan dengan pola pergerakan harga dan umumnya digunakan dengan memperhitungkan 5 atau 25 hari atau 13 minggu atau 26 minggu sebagai periode perhitungan. Jika hasil perhitungan memberikan hasil -10% memberikan indikasi over sold atau jenuh jual sehingga perlu segera membeli saham tersebut atau pun sebaliknya
( )
(
)
…………………. (11)
dengan : Moving Average = harga rata-rata pada n hari terakhir
f. Range Rate (RR) Teknikal indikator ini menunjukkan kecepatan kenaikan/penurunan harga dari harga n hari sebelumnya. (
)
………………………………….….(12)
dengan : harga saham adalah = selisih harga saham hari ke-n dan ke-(n-1).
18
METODOLOGI PENELITIAN
Kerangka Pemikiran Dalam financial market, strategi perdagangan saham perlu ditentukan untuk mendapatkan keuntungan yang maksimal. Salah satu teknik untuk pendugaan pergerakan harga saham yang akan membantu trader dalam memutuskan untuk “membeli” atau “menjual” saham adalah analisis teknis. Dalam analisis teknis terdapat beberapa indikator yang kerap kali digunakan oleh trader untuk melakukan pendugaan. Indikator tersebut diantaranya: moving average, RSI, William %R, bollinger band dan ADX. Perolehan akurasi pendugaan sangat tergantung pada keahlian seorang trader dan pengalaman yang dimilikinya. Tersedianya aplikasi simulasi untuk melakukan pendugaan juga telah membantu trader dalam pengambilan keputusan. Dalam aplikasi tersebut seorang trader harus melakukan setting parameter dalam tiap indikator secara manual yang mempengaruhi keakuratan dan efisiensi waktu. Otomatisasi penentuan strategi perdagangan saham dapat dilakukan untuk meminimalisasi kegiatan trial and error yang dilakukan oleh user pada aplikasi simulasi yang tersedia. Otomatisasi dilakukan dengan menemukan strategi perdagangan
saham
yang
optimal
dalam
memaksimalkan
keuntungan.
Optimalisasi strategi perdagangan saham dapat dilakukan melalui teknik optimasi dengan GA. Penelitian ini menggunakan indikator teknis yang terbaik dalam pasar saham untuk diimplementasikan dalam struktur kromoson individu. Data yang akan digunakan dalam penelitian ini adalah data harian pergerakan harga saham di Bursa Efek Indonesia dari tahun 2007 sampai dengan 2008. Data saham yang akan digunakan adalah data saham emiten yang termasuk dalam 10 kapitalisasi pasar terbesar dan saham yang termasuk dalam 10 saham dengan kapitalisasi terkecil. Alur penelitian secara keseluruhan dapat dilihat pada Gambar 2.
19
Mulai Input Data Perdagangan Saham Terdiri atas Saham berkapitalisasi Besar & berkapitalisasi Kecil
Pemodelan Perdagangan Saham Dengan Algoritme Genetika Model Hirabayashi (2009)
Modifikasi Model Hirabayashi (2009) dengan penambahan indikator teknis
Pengujian Analisis & Pembahasan
Selesai
Gambar 2 Alur Penelitian
ALUR PENELITIAN Alur penelitian ini dijabarkan sebagai berikut: -
Input data perdagangan saham Data yang akan digunakan dalam penelitian ini adalah data perdagangan saham yang diperoleh selama Tahun 2007-2008 terdiri dari saham berkapitalisasi besar dan saham berkapitalisasi kecil.
-
Pemodelan Pemodelan
dilakukan
dengan
mengimplementasikan
penelitian
yang
dilakukan oleh Hirabayashi (2009) terhadap saham di Indonesia. Kemudian dilakukan modifikasi terhadap indikator teknis yang digunakan oleh Hirabayashi (2009) yang selanjutnya disebut model Modifikasi. Indikator teknis yang digunakan sebagai modifikasi berdasarkan empat kategori indikator teknis (Teeples 2010).
20
-
Pengujian Pengujian kedua pemodelan dilakukan dengan penerapan model tersebut pada perdagangan saham tahun 2007-2008 untuk kemudian dianalisis.
-
Analisis dan Pembahasan Analisis akan dilakukan terhadap hasil yang diperoleh pada penerapan kedua model tersebut pada perdagangan saham. Analisis dilakukan dengan melakukan perbandingan antara aturan perdagangan model Hirabayashi dan peraturan dagang yang memodifikasi model Hirabayashi. Kedua model ini juga akan dibandingkan dengan metode buy and hold. Metode buy and hold merupakan metode umum yang digunakan oleh para trader. Melalui metode ini, saham akan dibeli dan ditahan pada periode tertentu untuk kemudian dijual pada akhir periode. Analisis akan dititikberatkan pada: -
Kinerja model dengan perbandingan keuntungan yang diperoleh serta perbandingan terhadap tren pergerakan harga..
-
Pengaruh jenis kapitalisasi saham terhadap kinerja model.
-
Aturan perdagangan yang mempengaruhi hasil.
PEMODELAN Adapun proses pemodelan GA terdiri atas beberapa tahapan yang disajikan pada Gambar 3. POPULASI
OPERATOR ALGORITMA GENETIKA
Mutasi . . .
Penyilangan
Reproduksi
Evaluasi
Nilai Fitness
LINGKUNGAN EVOLUSI
Gambar 3 Pemodelan algoritme genetika
21
Pemodelan menggunakan data harian perdagangan saham selama dua tahun. Pelatihan dilakukan menggunakan data 6 (enam) bulan sebelumnya untuk mendapatkan individu terbaik. Hal ini mengikuti penelitian yang dilakukan oleh Hirabayasi (2009). Individu terbaik yang merupakan sebuah trading rule optimal digunakan selama 3 (tiga) bulan perdagangan berikutnya. Penjelasan metode di atas adalah sebagai berikut: 1. Pembuatan individu (populasi) Individu yang disebut kromosom dalam GA berisi informasi yang dibutuhkan untuk membuat aturan jual dan beli. Kromosom ini terdiri atas representasi biner dan dibagi menjadi tiga bagian, yaitu : a. Bagian pertama dikelompokkan menjadi 3 (tiga) sub bagian. Sub bagian pertama terdiri atas aturan jual dan aturan beli untuk semua indikator teknis.
Pada sub bagian ini terdapat komponen yang terdiri atas
kumpulan bit. Jumlah bit ditentukan melalui rentang nilai dalam tiap indikator teknis. Untuk metode RSI, rentang yang digunakan adalah 3.125 – 100. Dengan membagi rentang nilai tersebut menjadi 32 nilai, maka jumlah bit dalam tiap batas untuk aturan jual dan beli adalah 5 bit. Sub bagian berikutnya adalah parameter untuk kalkulasi indikator teknis, dan waktu untuk profit cashing dan loss cutting. b. Bagian kedua menunjukkan operator yang akan diaplikasikan kepada classifier. Operator yang digunakan adalah operator AND dan OR. Masing-masing operator terdiri atas 1 bit. c. Bagian ketiga atau bagian classifier akan menunjukkan aturan yang memutuskan waktu untuk melakukan perdagangan. Jika aturan ini bernilai BENAR, maka sistem akan memberikan keputusan untuk melakukan perdagangan saham. Jika aturan bernilai SALAH, maka sistem akan memberikan keputusan tidak adanya perdagangan saham. Bagian ini juga terdiri atas 1 bit yang disimbolkan dengan karakter A, B, dan C. Karakter ini mewakili persamaan yang disajikan pada Tabel 1. Persamaan ini merupakan persamaan kondisional yang akan digunakan untuk menentukan nilai fitness. Persamaan ini juga akan
22
dibandingkan dengan indikator teknis pada waktu tertentu. Representasi tiga bagian pada kromosom disajikan pada Gambar 4.
65 Bit 65 Bit 1 Bit 1 Bit 1 Bit 1 Bit Aturan Jual Aturan Beli Operator Operator Operator Classifier
5 bit RSI – referensi waktu 5 bit RSI Lower
5 bit RSI MA referensi waktu 5 bit RSI Upper
5 bit PD – referensi waktu 5 bit RSI MA Lower
5 bit Profit cashing
5 bit RSI MA Upper
5 bit RR Lower
5 bit Loss cutting
5 bit RR Upper
5 bit PD Lower
5 bit PD Upper
Gambar 4 Representasi kromosom Tabel 1 Persamaan kondisional A {(c1
)
………………...................(11)
23
Adapun untuk penjualan saham persamaannya adalah sebagai berikut : ……............(12)
Kedua nilai ini diakumulasi selama proses perdagangan sesuai dengan periode pelatihan data sehingga menghasilkan pendapatan akhir. Berdasarkan pendapatan akhir maka akan diperoleh nilai fitness dengan mencari selisih antara pendapatan akhir dan modal awal. …………………….........(13) Dalam penelitian ini broker fee tidak dimasukkan dalam perhitungan fitness function. Hal ini dikarenakan nilai broker fee yang kecil yaitu berkisar 0.25% untuk kegiatan beli dan 0.35% untuk kegiatan jual. Proses perdagangan saham merujuk kepada proses kegiatan pembelian dan penjualan saham yang umumnya dilakukan oleh para investor/trader. Proses perdagangan tersebut secara keseluruhan terlihat pada Gambar 5. Waktu t=0
Proses aturan trading Status : hold Melakukan trading ?
Ya
Keputusan Jual saham dan Beli Saham
Tidak t = t+1 t=t+1
Penentuan profit cashing atau loss cutting
Reset status
Ya
Profit cashing atau loss cutting ?
Gambar 5. Proses perdagangan
Tidak
24
Pada setiap periode harian sistem memeriksa nilai indikator teknis yang dihasilkan dan dibandingkan dengan persamaan kondisional seperti Tabel 1. Apabila nilai yang dihitung pada waktu tertentu berada pada selang aturan beli atau aturan jual, maka sistem akan memberikan keputusan untuk jual atau beli saham. Setelah terdapat keputusan jual atau beli, maka sistem tetap dalam posisi trading sampai keputusan mengenai profit cashing dan loss cutting terpenuhi. 3. Seleksi Metode seleksi dalam Algoritme Genetika yang digunakan adalah turnamen. Dalam turnamen, individu dalam populasi dipilih berdasarkan nilai fitness yang paling besar. Turnamen dilakukan terhadap individu untuk menentukan individu terpilih. Individu yang terpilih akan dilanjutkan untuk pemrosesan berikutnya yaitu crossover (penyilangan). Penekanan seleksi dapat diatur dengan mengubah ukuran turnamen. Jika ukuran turnamen lebih besar, maka individu yang lemah mempunyai kesempatan yang lebih kecil untuk dipilih. Individu yang mempunyai nilai 1% teratas dalam nilai fitness secara otomatis menjadi individu untuk generasi baru. Sedangkan individu yang mempunyai nilai fitness terendah dalam hal ini bernilai 30% akan digantikan melalui proses acak dengan gen baru. Konsep yang digunakan adalah imigrasi. 4. Penyilangan dan Mutasi Metode penyilangan yang digunakan adalah metode penyilangan dua titik. Metode ini memilih dua titik secara acak pada individu induk. Semua bit antara titik ini ditukar antar induk. Mutasi adalah operator genetika yang digunakan untuk menjaga perbedaan genetika dari kromosom dalam sebuah populasi antara generasi yang satu dan generasi yang lainnya. Mutasi dilakukan dengan mengubah kromosom 0 menjadi 1 atau 1 menjadi 0. Dalam tahapan ini ditentukan peluang penyilangan sebesar 60% dan mutasi sebesar 1%.
25
5. Pengambilan individu terbaik Tahapan ini dilakukan dengan mengulang tahapan 2 sampai dengan 4 sebanyak 24 generasi. Hasil nilai fitness ini yang menjadi acuan untuk ditemukannya aturan strategi perdagangan saham yang optimal.
26
HASIL DAN PEMBAHASAN
Input Data Perdagangan Saham Penelitian ini menggunakan data perdagangan saham tahun 2007 sampai 2008. Saham perusahaan yang digunakan adalah saham PT. Bayu Buana Tbk dengan kode saham (BAYU) yang mewakili saham dengan kapitalisasi kecil dan PT Bumi Resource Tbk dengan kode saham (BUMI) yang mewakili saham berkapitalisasi besar. Penggunaan data tahun 2007-2008 dikarenakan pada tahun tersebut terjadi krisis finansial global dimana hampir seluruh indeks saham diseluruh dunia mengalami penurunan harga, setelah sebelumnya mengalami kenaikan harga saham. Data perdagangan saham ini digunakan sebagai data training dan data testing. Data diperoleh dari Bursa Efek Indonesia. Adapun komponen data yang diambil adalah pergerakan harga penutupan saham harian.
Pemodelan Data yang telah diperoleh pada tahapan awal kemudian diolah dengan melakukan pemodelan terlebih dahulu. Pemodelan terdiri dari dua bagian, yaitu implementasi berdasarkan penelitian yang dilakukan oleh Hirabayashi (2009) dan implementasi model aturan perdagangan saham modifikasi terhadap model Hirabayashi. Modifikasi dilakukan dengan penambahan indikator teknis dan penambahan persamaan kondisional.
Model Hirabayashi (2009) Hirabayashi
(2009)
menggunakan
empat
indikator
teknis
dalam
pengoptimalan aturan perdagangan. Dalam penelitiannya indikator teknis digunakan dalam area mata uang asing. Indikator teknis ini adalah Relative Strength Index, Percent Difference, Range Rate, dan RSI Moving Average. Pemodelan Hirabayashi dilakukan melalui beberapa tahapan. Tahapan-tahapan tersebut tercakup didalamnya pemodelan dengan GA untuk menentukan generasi terbaik. Tahapan tersebut adalah sebagai berikut:
27
1. Pembuatan Individu Individu dalam GA direpresentasikan dalam kromosom berbentuk biner. Jumlah individu yang dihasilkan adalah 375 individu, dengan susunan kromosom yang terdiri atas 135 bit, seperti yang disajikan pada Gambar 4. Terdapat 3 kelompok dalam kromosom tersebut. Kelompok pertama adalah berisi aturan jual dan aturan beli untuk tiap indikator teknis. Adapun komponen aturan jual dan beli adalah nilai batas atas dan batas bawah yang berlaku untuk indikator teknis tersebut. Batas tiap indikator teknis disajikan pada Tabel 2.
Tabel 2 Nilai batasan indikator teknis Indikator Teknis
Nilai Batas Atas
Nilai Batas Bawah
RSI
3.125
100
PD
-0.8
0.75
RR
-0.8
0.75
RSI MA
3.125
100
Referensi Waktu RSI
3
34
Alpha
0.03
1
Referensi Waktu MA
3
34
Profit Cash
1.2
10
Loss Cutting
-1.2
-10
Tiap nilai batas atas dan batas bawah pada kromoson direpresentaskan dalam 5 bit. Untuk perhitungan komputasi maka tiap nilai batas atas dan batas bawah tersebut tersebar dalam 32 nilai. Secara rinci nilai batas atas dan batas bawah dengan representasi nilai masing-masing bit disajikan pada lampiran 1. Representasi bit untuk kelompok kedua adalah operator AND dan operator OR. Adapun representasi bit tersebut adalah 0 untuk OR dan 1 untuk AND. Untuk kelompok ketiga yaitu classifier. Classifier merupakan persamaan kondisional yang tersaji pada Tabel 1. Persamaan kondisional yang sesuai dihasilkan berdasarkan evaluasi pada aturan jual dan beli. Aturan jual dan beli menerima inputan nilai tiap indikator teknis.
28
Berdasarkan representasi bit biner pada kelompok individu, maka satu individu atau kromosom dapat mempunyai representasi sebagai berikut :
000000111100000101010101010000000000000000
Proses pembangkitan individu dilakukan dengan pengacakan aturan jual dan beli, operator, serta urutan indikator teknis pada persamaan kondisional. Pengacakan aturan jual dan beli dilakukan pada 32 nilai yang dihasilkan sesuai rentang pada tiap indikator teknis. Terdapat 375 individu untuk tiap generasi dengan kemungkinan dihasilkan individu yang sama sangat kecil.
2. Perhitungan nilai fitness Nilai fitness tiap individu hitung berdasarkan keuntungan yang diperoleh. Periode yang digunakan adalah enam (6) bulan data pelatihan. Perhitungan nilai fitness melalui proses perdagangan yang dapat dideskripsikan pada pseudocode berikut ini :
inisialisasi modal awal for individu =1 to 375 for t = 1 to akhir periode perdangan 6 bulan if (keputusan jual/beli != beli) continue; if (keputusan jual/beli == beli) lembar saham = modal/harga saham else if (keputusan jual/beli == jual) modal akhir = lembar saham*harga saham else hold end for end for nilai fitness = modal akhir – modal awal
Proses perdagangan diawali dengan memberikan modal awal sebesar Rp.10.000.000 (Sepuluh Juta Rupiah). Proses dilanjutkan untuk tiap individu selama periode perdagangan. Adapun evaluasi yang dilakukan adalah untuk tiap waktu ke-t, tiap individu akan menghasilkan keputusan jual atau beli berdasarkan persamaan kondisional yang
29
dihasilkan. Terdapat tiga kemungkinan keputusan, yaitu jual, beli atau tidak melakukan perdagangan/hold. Jika keputusan adalah beli maka akan diperoleh jumlah lembar saham berdasarkan modal awal dibagi harga saham. Jika keputusan adalah jual maka akan diperoleh modal sekarang berdasarkan lembar saham yang ada dikalikan dengan harga saham. Jika tidak ada keputusan maka proses perdagangan akan di-hold. Hal ini berarti tidak ada kegiatan perdagangan dan dilanjutkan dengan waktu berikutnya. Terdapat dua aturan khusus dalam proses perdangangan saham. Aturan tersebut adalah : 1.
Keputusan pertama dalam waktu ke-t adalah keputusan beli.
2.
Keputusan akhir pada periode perdagangan adalah keputusan jual.
Apabila dihasilkan keputusan bukan jual maka yang dilakukan adalah membuat keputusan menjadi jual. Dalam istilah perdagangan saham hal ini dikenal dengan istilah force sale. Nilai fitness diperoleh dengan membandingkan modal akhir yang diperoleh dengan modal awal. Seorang trader akan mendapat untung bila modal akhir lebih besar dari modal awal. Sebaliknya kerugian akan dialami oleh trader apabila modal akhir lebih kecil dari modal awal. Hasil akhir tahapan ini adalah 375 nilai fitness untuk kemudian dilakukan seleksi, penyilangan dan mutasi untuk penentuan individu terbaik.
3. Seleksi Proses seleksi dilakukan dengan menetukan 3 bagian kelompok individu yang dipisahkan berdasarkan rangking nilai fitness. Adapun 3 kelompok individu adalah sebagai berikut : a. Kelompok 1 adalah
kelompok individu yang mempunyai 4 nilai
fitness tertinggi. b. Kelompok 2 adalah kelompok individu yang mempunyai 258 nilai fitness tertinggi berikutnya c. Kelompok 3 adalah kelompok individu yang mempunyai 113 nilai fitness terendah.
30
Pemisahan ketiga kelompok ini berdasarkan ketentuan yang digunakan pada model Hirabayashi (Gambar 6). Tiap kelompok akan diberi perlakuan yang berbeda untuk proses berikutnya. Kelompok 1 akan menjadi kelompok individu yang secara otomatis diambil untuk dilakukan proses mutasi. Kelompok 2 akan diberi perlakuan seleksi dengan turnamen, penyilangan dan mutasi. Sedangkan kelompok 3 akan secara otomatis dibuang untuk tidak dijadikan indukan dan akan dicari individu baru sejumlah 113 untuk generasi berikutnya. Secara skematik, perlakuan kelompok individu dijabarkan dalam Gambar 6.
Gambar 6 Pengelompokkan individu untuk generasi baru (Hirabayashi 2009) Adapun proses seleksi untuk kelompok 2 adalah sebagai berikut : Seleksi dilakukan dengan mengambil 50 secara acak dari 258 individu. Perangkingan dilakukan terhadap 50 individu. Satu individu terbaik diambil dan dijadikan calon pasangan indukan (indukan) untuk masuk ke dalam tahapan penyilangan dan mutasi. Proses ini dilakukan sehingga jumlah indukan yang berpasangan terpenuhi untuk dilakukan proses penyilangan, yaitu sejumlah 258 indukan. Secara skematik proses ini disajikan pada Gambar 7.
31
4. Penyilangan dan Mutasi Penyilangan dilakukan terhadap 258 indukan yang dihasilkan dari kelompok 2. Penyilangan yang dilakukan adalah penyilangan dua titik untuk mendapatkan indukan baru . Berdasarkan proses penyilangan maka diperoleh child (anakan) sejumlah 258. Untuk selanjutnya dilakukan proses mutasi dengan menggabungkan 1% individu terbaik (4 individu) dan 258 anak hasil proses penyilangan. Proses mutasi yang dilakukan dideksripsikan pada Gambar 8.
Mulai
i=0
Random untuk mengambil 50 individu dari 258 individu
Sorting 50 individu untuk mengambil satu individu terbaik
Ya Parent[i] = satu individu hasil random
i=i+1
i== 516 ?
Tidak Crossover dan mutasi terhadap 258 pasangan parent
Selesai
Gambar 7 Diagram alir proses seleksi
Proses pembangkitan generasi berikutnya adalah individu hasil mutasi dan 30% individu yang dibuat kembali representasinya sesuai
32
dengan representasi kromosom pada tahap awal. Pemodelan terus dilakukan hingga dua puluh empat (24) generasi. Individu dengan nilai fitness terbaik pada generasi ke-24 digunakan ke dalam tahapan uji.
5. Tahapan Uji Uji sistem dilakukan menggunakan data tiga bulan ke depan melalui data pelatihan 6 bulan sebelumnya. Untuk proses berikutnya data pelatihan yang digunakan adalah data 3 bulan hasil uji dengan 3 bulan sebelumnya. Ilustrasi proses tersebut digambarkan pada Gambar 9. Mulai
Gabungkan 258 individu anak hasil crossover dengan 1% individu terbaik hasil proses elitishm
Jumlah bit = 135 bit * 262 individu
Peluang mutasi = 1% Jumlah mutasi =peluang Mutasi * jumlah Bit
i=1
Tentukan posisi bit secara acak
Ubah nilai bit pada posisi yang diperoleh
i == Jumlah mutasi ?
Individu sebagai generasi berikutnya
Selesai
Gambar 8 Proses mutasi
33
Data training 6 Bulan
Data uji 3 Bulan
Data training 6 Bulan
Data Uji 3 Bulan
Gambar 9 Ilustrasi Uji sistem
Model Modifikasi Pada model modifikasi dilakukan pengembangan terhadap model Hirabayashi. Pengembangan yang dilakukan adalah dengan penambahan dua indikator teknis yaitu ADX dan William%R. Kedua indikator teknis ini dimasukkan ke dalam struktur kromosom atau individu dengan ukuran bit tiap indikator teknis adalah sebesar 5 bit. Dengan modifikasi yang dilakukan, jumlah bit dalam individu atau kromosom menjadi 195 bit. Komponen kromosom lain distrukturkan sama dengan model Hirabayashi. Persamaan kondisional yang ada juga bertambah menjadi 15 persamaan kondisional sesuai dengan kombinasi pada komponen aturan jual dan aturan beli. Komponen aturan perdagangan untuk model modifikasi Hirabayashi adalah sebagai berikut : Indikator teknis
: RSI, PD, RR, MA, ADX, William %R
Batas
: Batas atas dan batas bawah tiap indikator
Koefisien
: Referensi waktu RSI, Referensi waktu MA, Referensi William%R (referensi waktu mulai dari 3 sampai dengan 34), Referensi ADX (referensi waktu mulai 3 sampai dengan 34) dan Alpha untuk RSI 2, Profit Cashing dan Loss Cutting.
Operator
: 5 operator AND dan OR
Struktur kromosom pada model modifikasi Hirabayashi disajikan pada Gambar 10. Representasi kromosom dalam string bit secara lengkap disajikan pada Lampiran 2. Pada model Modifikasi, persamaan kondisional yang dihasilkan adalah sebanyak 15 persamaan kondisional dengan operator logika sebanyak 5 operator. Secara lengkap persamaan kondisional untuk model modifikasi disajikan pada Tabel 3.
34
Gambar 10 Struktur kromosom model modifikasi 1 hirabayashi
Tabel 3 Persamaan kondisional modifikasi A
c1
Op1
c3
Op2
c5
Op3
c7
Op4
c9
Op5
c11<WILL
B
c1
Op1
c3
Op2
c5
Op3
C9
Op4
c7
Op5
c11<WILL
C
c1
Op1
c3
Op2
c5
Op3
c11<WILL
Op4
c7
Op5
c9
D
c1
Op1
c5
Op2
c3
Op3
c7
Op4
c9
Op5
c11<WILLc12
E
c1
Op1
c5
Op2
c3
Op3
c9
Op4
c7
Op5
c11<WILL
F
c1
Op1
c5
Op2
c3
Op3
c11<WILL
Op4
c7
Op5
c9
G
c1
Op1
c7
Op2
c5
Op3
c3
Op4
c9
Op5
c11<WILL
H
c1
Op1
c7
Op2
c5
Op3
C9
Op4
c9
Op5
c11<WILL
I
c1
Op1
c3
Op2
c5
Op3
c7<WILL
Op4
c3
Op5
c11
J
c1
Op1
c11
Op2
c5
Op3
c3
Op4
c7
Op5
c11<WILL
K
c1
Op1
c9
Op2
c5
Op3
c11<WILL
Op4
c7
Op5
c3
L
c1
Op1
c9
Op2
c5
Op3
c7
Op4
c3
Op5
c11<WILL
M
c1
Op1
c11<WILL
Op2
c5
Op3
c3
Op4
c7
Op5
c11
N
c1
Op1
c11<WILL
Op2
c5
Op3
c7
Op4
c3
Op5
c11
O
c1
Op1
c11<WILL
Op2
c5
Op3
C9
Op4
c7
Op5
C3
Hasil Percobaan Percobaan untuk melakukan optimasi aturan perdagangan dilakukan menggunakan spesifikasi komputer Processor Intel Xeon 12 core processor 2,5 GHz, Memory 8 GB, Operating System Windows 7 64 Bit. Adapun tools pengembangan aplikasi yang digunakan adalah MS Visul Basic.Net 2010 dengan Database Management System MySQL serta fungsi matematika pada aplikasi spreadsheet. Percobaan dilakukan pada data saham selama 2 tahun untuk PT Bayu Buana Tbk dan PT Bumi Resources Tbk. Pembangkitan dan pemrosesan 375
35
individu untuk 24 generasi dalam data tersebut membutuhkan waktu 30 jam untuk pemrosesan secara paralel masing-masing 6 bulan periode tiap model. Oleh karena itu kebutuhan akan sumberdaya komputer dan optimasi algoritma dibutuhkan untuk mengurangi kompleksitas waktu. Berdasarkan hasil pelatihan data saham maka diperoleh aturan perdagangan dengan nilai fitness terbaik. Pada Gambar 11 dan 12 disajikan salah satu contoh grafik proses optimasi dengan algoritme genetika menggunakan data 6 bulan data pada saham PT. Bayu Buana Tbk (BAYU). Grafik proses optimasi disajikan untuk masing-masing model Hirabayashi dan model modifikasi. Grafik proses optimasi secara lengkap disajikan pada Lampiran 2.
P r o f i t (Rp.)
Generasi
Gambar 11 Optimasi aturan perdagangan saham PT. Bayu Buana Tbk dengan Model Hirabayashi
P r o f i t (Rp.)
Generasi
Gambar 12 Optimasi aturan perdagangan saham PT. Bayu Buana Tbk dengan Model Modifikasi
36
Pada Gambar 11 terlihat bahwa pada generasi ke-12 nilai fitness yang diperoleh dari proses GA telah konstan. Pada model modifikasi (Gambar 12) meskipun terlihat bahwa pada generasi ke-4 telah konstan, tetapi masih memberikan peluang peningkatan nilai fitness pada generasi ke-24. Berdasarkan hasil yang diperoleh pada hasil training 6 bulan data awal tersebut, kemudian diambil individu teratas dengan fitness terbaik pada generasi ke-24, untuk diuji dengan data 3 bulan ke depan. Pada proses uji coba individu terbaik yang diperoleh pada proses 6 bulan training diperoleh hasil perbandingan berdasarkan ujicoba individu terbaik tersebut. Hasil uji masing-masing periode 3 bulan dilakukan terhadap saham PT. Bayu Buana Tbk. yang mewakili saham dengan kapitalisasi kecil dan saham PT. Bumi Resources Tbk sebagai salah satu saham berkapitalisasi besar. Hasil uji tersebut kemudian dibandingkan dengan model buy and hold. Keterkaitan antara pergerakan saham dan keuntungan dapat dilihat pada Gambar 13 dan Gambar 14. Pergerakan Harga PT. Bayu Buana Tbk. (BAYU) 250
150 100 50
Gambar 13 Grafik pergerakan harga PT. Bayu Buana Tbk (BAYU)
12/27/2008
11/27/2008
10/27/2008
9/27/2008
8/27/2008
7/27/2008
6/27/2008
5/27/2008
4/27/2008
3/27/2008
2/27/2008
1/27/2008
12/27/2007
11/27/2007
10/27/2007
9/27/2007
8/27/2007
7/27/2007
0 6/27/2007
Harga
200
37
Saham PT. Bayu Buana Tbk. (BAYU) %Profit/Loss
300 200 Buy&Hold
100
Hirabayashi
0 -100 -200
20-6 sd 13-9 sd 6- 7-12 sd 3-3 sd 28- 29-5 sd 12-9 12 29-2 5 26-8
27-8 sd 30-12
Modifikasi
Periode Uji
Gambar 14 Hasil uji saham PT. Bayu Buana Tbk. (BAYU)
Pada data saham PT. Bayu Buana Tbk yang diperoleh pada Tahun 20072008 (Gambar 13) terlihat pergerakan harga saham yang fluktuatif pada pergerakan harian. Hal ini merupakan salah satu ciri saham berkapitalisasi kecil. Grafik pergerakan saham memiliki arti perubahan harga saham pada periode tertentu. Pada periode ke-1 (periode 3 bulan pertama) model Modifikasi memberikan profit tertinggi sebesar 77%. Pada model Hirabayashi profit yang diberikan sebesar 22% sama seperti pada model buy and hold. Apabila dibandingkan dengan periode ke-1 Gambar 14, maka terlihat terjadi kenaikan keuntungan untuk model modifikasi, sementara dua model terlihat tetap. Jika dibandingkan dengan model buy and hold maka kedua model optimasi memberikan hasil yang lebih baik. Pada periode ke-1 Gambar 13, dapat terlihat pada pergerakan harga terjadi kenaikan diakhir periode. Apabila dilihat keterkaitan antara grafik perubahan harga saham dan grafik perolehan profit (Gambar 14) maka dapat dilihat bahwa ketika harga bergerak naik maka model modifikasi juga mengikuti kenaikan tersebut. Pada uji periode ke-3 terjadi penurunan profit untuk semua model. Bahkan pada model Hirabayashi dan buy and hold terjadi kerugian sebesar 0.1% dan -20%. Pada grafik perubahan harga saham dapat dilihat bahwa penurunan harga saham akan diikuti oleh penurunan perolehan profit pada semua model. Hal yang berbeda terjadi pada periode ke-5. Pada periode ini terjadi penurunan harga saham yang diikuti penurunan keuntungan yang diperoleh pada model modifikasi. Pada periode
terakhir, yaitu periode ke-6 (Gambar 13)
38
pergerakan harga saham terlihat berfluktuasi. Dalam keadaan seperti ini para investor biasanya akan melakukan hold untuk tidak melakukan perdagangan. Berdasarkan hasil tersebut terlihat bahwa model modifikasi mampu beradaptasi mengikuti tren. Dalam pemodelan aturan perdagangan maka akan dihasilkan aturan perdagangan yang optimal. Optimasi aturan perdagangan dimaksudkan untuk mendapatkan keuntungan yang paling besar. Aturan perdagangan periode ke-1 menghasilkan bentuk seperti yang disajikan pada Tabel 4 dan Tabel 5.
Tabel 4 Aturan perdagangan yang optimal periode ke-1 model Hirabayashi Parameter Aturan Beli Aturan Jual ((31.25%
12 34 0.8125 9.71875 1.5625
OR(0.6%
Tabel 5 Aturan perdagangan yang optimal periode ke-1 model Modifikasi Parameter Aturan Beli Aturan Jual ((87.5%
RSI Ref. Time MA Ref. Time ADX Ref. Time William Ref. Time Alpha Profit Cash Loss Cutting
AND(65.625%
(6.25%
0.125 6.90625 -3.25
0.75 4.09375 -6.625
Pada aturan perdagangan (jual atau beli) yang dihasilkan untuk model Hirabayashi dan modifikasi dapat diartikan bahwa trader dapat melakukan tindakan beli atau jual sesuai dengan hasil BENAR yang diberikan oleh evaluasi persamaan kondisional. Untuk selanjutnya, trader perlu memeriksa kembali
39
apakah nilai profit cash dan loss cutting yang ada pada data riil lebih besar dari nilai profit dan loss yang ditetapkan oleh sistem. Pada aturan perdagangan (baik aturan jual mapun beli) yang dihasilkan terdapat indikator teknis yang dapat diabaikan. Hal ini berdasarkan nilai kebenaran yang dihasilkan oleh persamaan kondisional. Melalui Tabel 5 terlihat bahwa pengabaian indikator teknis terjadi pada model modifikasi untuk aturan beli. Indikator teknis tersebut adalah RSI dan RSI MA. Hal ini dikarenakan persamaan kondisional memberikan nilai kebenaran SALAH (0). Operator AND yang diberikan kepada nilai tersebut tidak pernah memberikan nilai BENAR (1). Berdasarkan hal tersebut, maka evaluasi terhadap indikator RR, ADX, PD dan WILL salah satunya harus bernilai 1. Hal ini didasari pada karakteristik operator OR yang akan menghasilkan nilai 1 apabila terdapat salah satu yang bernilai 1. Hal yang berbeda berlaku pada aturan jual. Indikator teknis yang dapat diabaikan adalah RR dan WILL. Hal ini dikarenakan evaluasi terhadap indikator teknis RR akan selalu bernilai 0 dan operator AND yang menggabungkan evaluasi dengan indikator teknis ADX akan selalu menghasilkan nilai 0. Indikator teknis lain yang dapat diabaikan adalah indikator WILL. Oleh karena itu, untuk mendapatkan keputusan jual maka evaluasi terhadap indikator teknis RSI, RSI MA dan PD harus bernilai 1. Pada model Hirabayashi tidak terdapat indikator teknis yang diabaikan. Hal ini dikarenakan semua evaluasi terhadap indikator teknis dapat menghasilkan nilai 0 atau nilai 1. Pengabaian indikator teknis juga berlaku di periode ke-5 untuk kedua model. Hasil aturan perdagangan optimasi untuk periode ke-5 disajikan pada Tabel 6 dan Tabel 7. Pada periode ke-5 di model Hirabayashi ditunjukkan bahwa pada aturan beli terdapat indikator teknis yang dapat diabaikan yaitu RSI. Pada persamaan kondisional ini nilai yang dihasilkan selalu bernilai 0. Oleh karena itu, untuk menghasilkan keputusan beli pada model Hirabayashi, evaluasi terhadap indikator teknis RSI MA, RR dan PD harus bernilai 1. Pada aturan jual terdapat indikator teknis yang selalu bernilai 0, yaitu PD dan RSI MA. Pada RSI MA operator yang digunakan adalah AND. Melalui operator AND, evaluasi indikator teknis ini dengan indikator RR dapat diabaikan karena selalu bernilai 0. Oleh karena itu nilai persamaan untuk indikator RSI harus bernilai 1.
40
Tabel 6 Aturan perdagangan yang optimal periode ke-5 model Hirabayashi Parameter AturanBeli Aturan Jual ((90.625%
RSI Ref. Time MA Ref. Time Alpha Profit Cash Loss Cutting
0.5%
(0.35%
Tabel 7 Aturan perdagangan yang optimal periode ke-5 model Modifikasi Paremeter AturanBeli Aturan Jual ((59.375%
16 4 23 31
(25%
0.75 1.84375 -4.65625
0.90625 10 -3.53125
Pada model Modifikasi (Tabel 7) terdapat indikator yang selalu bernilai 0, baik pada aturan beli maupun aturan jual. Pada aturan beli, indikator yang pasti bernilai 0 adalah ADX, RR, dan WILL. Adapun operator yang digunakan adalah AND. Oleh karena itu untuk menghasilkan keputusan jual maka evaluasi terhadap indikator RSI harus bernilai 1. Pada aturan jual terdapat tiga indikator yang selalu bernilai salah, yaitu RSI, RR dan WILL. Oleh karena itu evaluasi pada indikator teknis yang lain harus bernilai 1. Pada periode ke-6 seperti yang terlihat pada Gambar 14 terjadi peningkatan profit pada model Hirabayashi. Aturan perdagangan yang optimal pada periode ini untuk model Hirabayashi dan Modifikasi disajikan pada Tabel 8 dan Tabel 9.
41
Tabel 8 Aturan perdagangan yang optimal periode ke-6 model Hirabayashi Parameter AturanBeli Aturan Jual ((87.5%
RSI Ref. Time MA Ref. Time Alpha Profit Cash Loss Cutting
(-0.45%
(0.4%
Tabel 9 Aturan perdagangan yang optimal periode ke-6 model Modifikasi Parameter AturanBeli Aturan Jual ((3.125%
RSI Ref. Time MA Ref. Time ADX Ref. Time William Ref. Time Alpha Profit Cash Loss Cutting
(9.375%
(37.5%
0.25 5.78125 -1.84375
0.71875 7.1875 -7.46875
Pada model Hirabayashi hanya terdapat 1 persamaan yang pasti bernilai 0 yaitu pada aturan jual. Indikator tersebut adalah RSI. Operator yang dihasilkan adalah operator OR. Oleh karena itu, untuk mendapatkan keputusan beli maka salah satu nilai evaluasi untuk indikator RR, PD dan RSI MA harus bernilai benar. Pada aturan jual, indikator yang pasti bernilai 0 adalah RSI. Untuk mendapatkan keputusan jual maka apabila evaluasi terhadap indikator RSI MA dan PD bernilai 0, maka RR harus bernilai 1. Sebaliknya apabila RR bernilai 0, maka baik nilai evaluasi untuk RSI MA dan PD keduanya harus bernilai 1. Hal ini dikarenakan operator yang digunakan adalah operator AND. Keadaan yang berbeda terjadi pada aturan untuk model modifikasi. Pada aturan beli tidak terdapat evaluasi terhadap indikator teknis yang menghasilkan nilai 0. Pada aturan jual terdapat dua indikator teknis yang bernilai 0 yaitu RSI dan WILL. Oleh karena itu untuk menghasilkan keputusan jual maka apabila
42
evaluasi terdapat RSI dan RSI MA bernilai 0, maka salah satu nilai dari indikator teknis ADX, PD dan RR harus mempunyai nilai kebenaran 1. Percobaan juga dilakukan untuk saham kapitalisasi besar, yaitu PT Bumi Resources Tbk (BUMI). Pola pergerakan saham dan hasil uji pada saham tersebut disajikan pada Gambar 15 dan Gambar 16.
12/20/2008
11/20/2008
10/20/2008
9/20/2008
8/20/2008
7/20/2008
6/20/2008
5/20/2008
4/20/2008
3/20/2008
2/20/2008
1/20/2008
12/20/2007
11/20/2007
10/20/2007
9/20/2007
8/20/2007
7/20/2007
9000 8000 7000 6000 5000 4000 3000 2000 1000 0 6/20/2007
Harga
Pergerakan Harga PT. Bumi Resources Tbk (BUMI)
Gambar 15 Pergerakan Harga Saham PT. Bumi Resources Tbk
% profit/Loss
Saham PT. Bumi Resources Tbk (BUMI) 100 0 -100 -200 -300 -400 -500 -600
20-6 sd 12-9
13-9 sd 612
7-12 sd 29-2
3-3 sd 285
29-5 sd 26-8
27-8 sd 30-12
Buy&Hold Hirabayashi Modifikasi
Periode Uji
Gambar 16 Hasil Uji Saham PT. Bumi Resources Tbk. (BUMI) Pada pengujian data saham PT. Bumi Resources Tbk tahun 2007-2008, terlihat pula bahwa PT. Bumi Resources Tbk. memiliki pergerakan harga saham
43
cenderung tidak fluktuatif pada pergerakan harian. Dengan menggunakan periode 3 bulan, maka pengujian dilakukan menggunakan kedua model optimasi. Dari hasil yang diperoleh terlihat bahwa model buy and hold memberikan hasil lebih baik pada periode uji ke-1 dan ke-2. Sementara pada periode uji ke-3 dan ke-5, model modifikasi lebih baik dari model Hirabayashi dan buy and hold. Namun pada periode uji ke-2, dan 4 model hirabayashi lebih unggul dibandingkan model buy and hold dan model Modifikasi. Pada periode uji ke-6 dimana terjadi kejatuhan harga saham karena krisis finansial, masing-masing model Hirabayashi, modifikasi memberikan kerugian lebih rendah masing-masing sebesar -58%, 58% berbanding -488% kerugian dengan model buy and hold . Pada akhir periode ke-2 menuju ke periode ke-3 terlihat bahwa harga saham bergerak naik (Gambar 15). Hal ini sesuai dengan tren pada Gambar 16, terlihat bahwa model modifikasi memberikan hasil yang cenderung naik. Hal yang berbeda terjadi pada periode ke-3 dan ke-6. Pada periode ke-3 harga saham cenderung menaik dan pergerakan ini dapat disesuaikan dengan adaptasi yang dilakukan oleh model Modifikasi. Pada Gambar 16 terlihat bahwa model modifikasi lebih mampu beradaptasi untuk mengiktui tren. Pada periode ke-6 dapat terlihat adanya pergerakan saham bergerak turun (Gambar 15). Penurunan ini diikuti oleh hasil yang diberikan model modifikasi yang cenderung menurun (Gambar 16). Berdasarkan hal tersebut dapat dilihat bahwa untuk saham BUMI model modifikasi juga mampu beradaptasi dengan mengikuti tren. Aturan perdagangan untuk saham kapitalisasi besar disajikan pada Lampiran 3. Aturan perdagangan periode 2, 3 dan 6 masing-masing disajikan pada Tabel 10 sampai dengan Tabel 15. Pada periode terlihat kecendurang tren yang sama pada harga saham dan perolehan keuntungan. Untuk aturan perdagangan periode ke-2 dapat dilihat pada Tabel 10 dan Tabel 11.
44
Tabel 10 Aturan perdagangan periode ke-2 model Hirabayashi Parameter AturanBeli Aturan Jual ((18.75%
RSI Ref. Time MA Ref. Time Alpha Profit Cash Loss Cutting
(9.375%
(43.75%
Tabel 11 Aturan perdagangan periode ke-2 model modifikasi Parameter AturanBeli Aturan Jual ((71.875%
RSI Ref. Time MA Ref. Time ADX Ref. Time William Ref. Time Alpha Profit Cash Loss Cutting
(78.125%
(46.875%
0.09375 4.375 -1.84375
0.40625 2.125 -8.875
Pada model Hirabayashi untuk aturan beli terdapat 2 indikator teknis yang dapat diabaikan, yaitu PD dan RR. Operator keduanya adalah AND. Oleh karena itu untuk menghasilkan keputusan beli maka nilai kebenaran untuk evaluasi indikator RSI dan RSI MA harus bernilai 1. Pada aturan jual terdapat tiga indikator teknis yang dapat diabaikan yaitu RSI, RR dan PD. Pada kondisi ini, hanya satu indikator yang tersisa yaitu RSI MA. Oleh karena RSI, PD dan RR akan selalu bernilai 0. Keputusan jual akan dihasilkan dengan RSI MA sebagai indikator teknis penentu. Nilai kebenaran untuk evaluasi indikator teknis ini harus bernilai 1. Pada model Modifikasi untuk aturan beli terdapat 3 indikator teknis yang selalu bernilai salah, yaitu RSI, ADX dan PD. Pada aturan
ini untuk
menghasilkan keputusan beli maka RSI MA dan WILL harus bernilai benar. Untuk aturan jual terdapat 3 indikator teknis yang pasti bernilai 0, yaitu RSI, RR dan PD. Untuk menghasilkan keputusan jual maka evaluasi untuk indikator teknis
45
RSI MA harus bernilai benar. Aturan perdagangan pada periode ke-3 dapat dilihat pada Tabel 12 dan Tabel 13.
Tabel 12 Aturan perdagangan periode ke-3 model Hirabayashi Parameter AturanBeli Aturan Jual ((18.75%
RSI Ref. Time MA Ref. Time Alpha Profit Cash Loss Cutting
(9.375%
(43.75%
Tabel 13 Aturan perdagangan periode ke-3 model Modifikasi Parameter Aturan
RSI Ref. Time MA Ref. Time ADX Ref. Time William Ref. Time Alpha Profit Cash Loss Cutting
AturanBeli
Aturan Jual
((71.875%
((96.875%
0.09375 4.375 -1.84375
0.40625 2.125 -8.875
Tabel 12 berisi aturan perdagangan untuk model Hirabayashi. Pada aturan beli terdapat satu indikator yang menghasilkan nilai 0 yaitu PD dan RR. Oleh karena itu penerapan operator AND akan mengabaikan evaluasi terhadap PD dan RR. Keputusan beli akan dihasilkan apabila nilai kebenaran pada evaluasi indikator RSI atau RSI MA menghasilkan nilai 1. Pada aturan jual terdapat 3 indikator teknis yang menghasilkan nilai 0. Indikator teknis ini adalah RSI, PD dan RR. Evaluasi terhadap PD dan RR akan memberikan nilai 0. Oleh karena itu untuk menghasilkan keputusan jual maka hasil evaluasi terhadap indikator teknis RSI MA harus memberikan nilai 1.
46
Pada Tabel 13 yang berisi aturan perdagangan periode ke-3 untuk model modifikasi terlihat bahwa untuk aturan beli terdapat 2 indikator teknis yang evaluasinya bernilai salah. Indikator teknis tersebut adalah RSI dan ADX. Pada aturan ini terlihat bahwa indikator teknis yang harus bernilai 1 adalah RSI MA. Pada evaluasi ADX nilai kebenaran untuk persamaan kondisional dengan RR akan menghasilkan nilai 0 (adanya operator AND). Secara otomatis hasil evaluasi terhadap indikator PD dan WILL akan menghasilkan nilai 0. Hal ini dikarenakan adanya operator AND. Oleh karena itu yang tersisa untuk mempengaruhi hasil akhir adalah RSI MA. Ketentuan yang sama juga berlaku pada aturan jual. Dalam hal ini RSI MA sebagai penentu tunggal kepada sistem untuk memberikan keputusan jual. Aturan perdagangan untuk periode ke-6 juga memberikan hasil yang dapat mengabaikan indikator teknis. Pengabaian ini akan berpengaruh kepada evaluasi terhadap indikator teknis lainnya untuk keputusan jual atau beli. Hasil optimasi aturan perdagangan periode ke-6 disajikan pada Tabel 14 dan Tabel 15. Tabel 14 Aturan perdagangan periode ke-6 model Hirabayashi Parameter AturanBeli Aturan Jual ((15.625%
RSI Ref. Time MA Ref. Time Alpha Profit Cash Loss Cutting
(0.1%
0.3%
Tabel 15 Aturan perdagangan periode ke-6 model Modifikasi Parameter AturanBeli Aturan Jual ((25%
RSI Ref. Time MA Ref. Time ADX Ref. Time William Ref. Time Alpha Profit Cash Loss Cutting
(87.5%
(25%
0.09375 10 -7.46875
0.8125 4.65625 -1.84375
47
Pada periode ke-6 indikator teknis pada model Hirabayashi tidak dapat diabaikan baik untuk aturan jual dan beli. Hal yang berbeda terjadi pada model Hirabayashi. Pada model ini terdapat 2 indikator teknis yang dapat diabaikan yaitu RSI-MA, dan RR. Pada aturan jual hanya dua indikator teknis yang diabaikan yaitu RSI dan WILL.
48
KESIMPULAN DAN SARAN
Kesimpulan Berdasarkan penelitian yang dilakukan dapat diperoleh kesimpulan sebagai berikut: 1. Implementasi optimasi aturan perdagangan dengan algoritme genetika baik model Hirabayashi maupun Modifikasi memberikan keuntungan yang lebih besar dan memberikan kerugian lebih kecil dibandingkan dengan penggunaan model buy and hold. 2. Berdasarkan proses pada algoritma genetika terdapat beberapa indikator teknis yang dapat diabaikan karena evaluasi terhadap indikator teknis yang memberikan nilai kebenaran salah dan penerapan operator AND. 3. Berdasarkan keterkaitan antara grafik perubahan harga saham dan perolehan keuntungan maka dapat disimpulkan bahwa model modifikasi lebih mampu beradaptasi dengan menunjukkan tren yang sama dengan pergerakan harga. 4. Proses optimasi dengan data training 6 bulan membutuhkan waktu komputasi yang lama. Hal ini terjadi karena proses komputasi per-bit dan perhitungan dan pembandingan indikator teknis. Saran Indikator teknis yang digunakan dalam penelitian ini adalah indikator teknis yang berbasis pada pergerakan harga. Oleh karena itu perlu pula dilakukan optimasi indikator teknis yang berbasis pada volume perdagangan saham.
49
DAFTAR PUSTAKA Basuki A. 2003. Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning. Politeknik Elektronika Negeri Surabaya, PENS –ITS Surabaya. Blanco PF. 2009. Technical Market Indicators Optimization using Evolutionary Algorithms BGECCO’08, July 12–16, 2008, Atlanta, Georgia, USA. ACM 978-1-60558-131-6/08/07. Charles C.
2001. The Best Technical Indicators for Day Trading.
http://www.ehow.com/list6706772technical-indicators-day-trading.html.[8 Januari 2011] Chen
JS, Deng SX. 2005. Generation of Trading StrategiesUsing Genetic Algorithms. Asian Journal of Information Technology Year: 2005 | Volume: 4 | Issue: 4 | Page No.: 310-322 DOI: 10.3923/ajit.2005.310.322
Clauhan. 2008. Automated Stock Trading and Portfolio Optimization Using XCS Trader and TechnicalAnalysis. Thesis. School of Informatics University of Edinburgh Darmaji T, Fakhrudi AM. 2006. Pasar Modal di Indonesia. Salemba. Jakarta Ellis. 2010.Algorithmic Securities Trading. Thesis. Texas Tech University Emanuele. 2008. A Non-random Walk down Canary Wharf, MPRA Paper, University Library of Munich Faried AR. 2008. Analisis Pengaruh Faktor Fundamental dan Nilai Kapitalisasi Pasar Terhadap Return Saham Perusahaan Manufaktur di BEI Periode 2002 s.d 2006. Thesis. Universitas Negeri Semarang. Fernando FR, Simón SR, Julian AF. 2002. Nearest-Neighbour Predictions in Foreign Exchange Markets. FEDEA-DT. Spanyol Firdaus.
2011
Tahun
2012
BEI
Bidik
2.3
Juta
Investor
Domestik,
http://investasi.kontan.co.id/v2/read/1272534167/35374/Tahun-2012-BEIBidik-23-Juta-Investor-Domestik. [16 April 2001]
50
Frederick GH, Gerald JL. 1995. Introduction to Operation Research. Industrial Engineering Series. Mc Graw Hill. New York Hirabayasi A, Aranha C, Iba H. 2009. Optimization of the Trading Rule in Foreign Exchange using Genetic Algorithm.
GECCO’09, July 8–12,
2009, Montréal, Québec, Canada. ACM 978-1-60558-325-9/09/07 Husnan 2001. Dasar-dasar Teori Portofolio dan Analisis Sekuritas. Edisi III. UPP AMP YKPN: Yogyakarta. Joni H, Andy NG.
2010. Celah-celah Profit di Forex Market. Elex Media
Komputindo, Jakarta. Luca C. 2004. Technical Analysis Application. Mc Graw Hill. New York Nonaka I, Takeuchi H. 1995.The knowledge creating company: How Japanese companies create the dynamics of innovation. Oxford University Press.New York. Perdue.
2011. 5 Technical Indicators Used By Experts http://ezinearticles.com/
?5-Technical-Indicators-Used-By-Experts&id=5162377. [8 Januari 2011] Sharpe WF, Gordon JA, Jeffery VB. 1998. Investments. Prentice Hall. New Jersey Susanto D, Agus A. 2010. Analisis Teknis di Bursa Efek. Sekolah Tinggi Ilmu Manajemen YKPN, Yogyakarta Teeples WA. 2010. An Evolutionary Approach to Optimization of Compound Stock Trading Indicators Used to Confirm Buy Signals. Thesis. Utah State University. Yamawaki MT, Tokuoka S. 2007. Adaptive Use of Technical Indicator
for
Predicting the Intra-Day Price Movements. Spingerlink-Verlag. LNAI 4693:597-603.
51
LAMPIRAN
0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1
0 0 0 0 1 0 1 1 0 0 0 0 1 1 1 1 0 0 0 0 1 1 1 1 0 0 0 0 1 1 1 1
0 0 1 1 0 1 1 1 0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1
0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1
00000 00001 00010 00011 00100 00011 00110 00111 01000 01001 01010 01011 01100 01101 01110 01111 10000 10001 10010 10011 10100 10101 10110 10111 11000 11001 11010 11011 11100 11101 11110 11111
3.125 6.250 9.375 12.500 15.625 18.750 21.875 25.000 28.125 31.250 34.375 37.500 40.625 43.750 46.875 50.000 53.125 56.250 59.375 62.500 65.625 68.750 71.875 75.000 78.125 81.250 84.375 87.500 90.625 93.750 96.875 100.000
-0.800 -0.750 -0.700 -0.650 -0.600 -0.550 -0.500 -0.450 -0.400 -0.350 -0.300 -0.250 -0.200 -0.150 -0.100 -0.050 0 0.050 0.100 0.150 0.200 0.250 0.300 0.350 0.400 0.450 0.500 0.550 0.600 0.650 0.700 0.750
RR MA RSIRSI_RT ALPHA RSI MA PROFIT -0.800 -0.750 -0.700 -0.650 -0.600 -0.550 -0.500 -0.450 -0.400 -0.350 -0.300 -0.250 -0.200 -0.150 -0.100 -0.050 0 0.050 0.100 0.150 0.200 0.250 0.300 0.350 0.400 0.450 0.500 0.550 0.600 0.650 0.700 0.750
3.125 6.25 9.375 12.5 15.625 18.75 21.875 25 28.125 31.25 34.375 37.5 40.625 43.75 46.875 50 53.125 56.25 59.375 62.5 65.625 68.75 71.875 75 78.125 81.25 84.375 87.5 90.625 93.75 96.875 100
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34
0.03125 0.0625 0.09375 0.125 0.15625 0.1875 0.21875 0.25 0.28125 0.3125 0.34375 0.375 0.40625 0.4375 0.46875 0.5 0.53125 0.5625 0.59375 0.625 0.65625 0.6875 0.71875 0.75 0.78125 0.8125 0.84375 0.875 0.90625 0.9375 0.96875 1
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34
1.28125 1.5625 1.84375 2.125 2.40625 2.6875 2.96875 3.25 3.53125 3.8125 4.09375 4.375 4.65625 4.9375 5.21875 5.5 5.78125 6.0625 6.34375 6.625 6.90625 7.1875 7.46875 7.75 8.03125 8.3125 8.59375 8.875 9.15625 9.4375 9.71875 10
LOSS -1.28125 -1.5625 -1.84375 -2.125 -2.40625 -2.6875 -2.96875 -3.25 -3.53125 -3.8125 -4.09375 -4.375 -4.65625 -4.9375 -5.21875 -5.5 -5.78125 -6.0625 -6.34375 -6.625 -6.90625 -7.1875 -7.46875 -7.75 -8.03125 -8.3125 -8.59375 -8.875 -9.15625 -9.4375 -9.71875 -10
52
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
PD
Lampiran 1 Representasi Biner
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
RSI
- Model Hirabayashi (2009)
NO BIT5 BIT4 BIT3 BIT2 BIT1 COMBINE
0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1
BIT3 0 0 0 0 1 0 1 1 0 0 0 0 1 1 1 1 0 0 0 0 1 1 1 1 0 0 0 0 1 1 1 1
BIT2 0 0 1 1 0 1 1 1 0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1
BIT1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1
COMBINE
RSI
PD
RR
00000 00001 00010 00011 00100 00011 00110 00111 01000 01001 01010 01011 01100 01101 01110 01111 10000 10001 10010 10011 10100 10101 10110 10111 11000 11001 11010 11011 11100 11101 11110 11111
3.125 6.250 9.375 12.500 15.625 18.750 21.875 25.000 28.125 31.250 34.375 37.500 40.625 43.750 46.875 50.000 53.125 56.250 59.375 62.500 65.625 68.750 71.875 75.000 78.125 81.250 84.375 87.500 90.625 93.750 96.875 100.000
-0.800 -0.750 -0.700 -0.650 -0.600 -0.550 -0.500 -0.450 -0.400 -0.350 -0.300 -0.250 -0.200 -0.150 -0.100 -0.050 0 0.050 0.100 0.150 0.200 0.250 0.300 0.350 0.400 0.450 0.500 0.550 0.600 0.650 0.700 0.750
-0.800 -0.750 -0.700 -0.650 -0.600 -0.550 -0.500 -0.450 -0.400 -0.350 -0.300 -0.250 -0.200 -0.150 -0.100 -0.050 0 0.050 0.100 0.150 0.200 0.250 0.300 0.350 0.400 0.450 0.500 0.550 0.600 0.650 0.700 0.750
RSI MA RSI_RT ALPHA 3.125 6.25 9.375 12.5 15.625 18.75 21.875 25 28.125 31.25 34.375 37.5 40.625 43.75 46.875 50 53.125 56.25 59.375 62.5 65.625 68.75 71.875 75 78.125 81.25 84.375 87.5 90.625 93.75 96.875 100
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34
0.03125 0.0625 0.09375 0.125 0.15625 0.1875 0.21875 0.25 0.28125 0.3125 0.34375 0.375 0.40625 0.4375 0.46875 0.5 0.53125 0.5625 0.59375 0.625 0.65625 0.6875 0.71875 0.75 0.78125 0.8125 0.84375 0.875 0.90625 0.9375 0.96875 1
RSI MA PROFIT RT 3 1.28125 4 1.5625 5 1.84375 6 2.125 7 2.40625 8 2.6875 9 2.96875 10 3.25 11 3.53125 12 3.8125 13 4.09375 14 4.375 15 4.65625 16 4.9375 17 5.21875 18 5.5 19 5.78125 20 6.0625 21 6.34375 22 6.625 23 6.90625 24 7.1875 25 7.46875 26 7.75 27 8.03125 28 8.3125 29 8.59375 30 8.875 31 9.15625 32 9.4375 33 9.71875 34 10
55
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
BIT4
54
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
BIT5
- Model Modifikasi
NO
55
LOSS -1.281 -1.563 -1.844 -2.125 -2.406 -2.688 -2.969 -3.25 -3.531 -3.813 -4.094 -4.375 -4.656 -4.938 -5.219 -5.5 -5.781 -6.063 -6.344 -6.625 -6.906 -7.188 -7.469 -7.75 -8.031 -8.313 -8.594 -8.875 -9.156 -9.438 -9.719 -10
ADX 3.125 6.25 9.375 12.5 15.625 18.75 21.875 25 28.125 31.25 34.375 37.5 40.625 43.75 46.875 50 53.125 56.25 59.375 62.5 65.625 68.75 71.875 75 78.125 81.25 84.375 87.5 90.625 93.75 96.875 100
WILL -3.125 -6.25 -9.375 -12.5 -15.625 -18.75 -21.875 -25 -28.125 -31.25 -34.375 -37.5 -40.625 -43.75 -46.875 -50 -53.125 -56.25 -59.375 -62.5 -65.625 -68.75 -71.875 -75 -78.125 -81.25 -84.375 -87.5 -90.625 -93.75 -96.875 -100
ADX_RT WILL_RT 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34
56
Lampiran 2 Grafik Proses Optimasi GA Model Modifikasi
Grafik Proses Training Algoritme Genetika Pada Saham PT. Bayu Buana Tbk -
Periode Training 1-1-2007 sampai 26-6-2007
P r o f i t (Rp.)
Generasi
-
Periode Data Training 29-3-2007 sampai 21-9-2007
P r o f i t (Rp.)
Generasi
57
-
Periode 26-6-2007 sampai 19-12-2007
P r o f i t (Rp.)
Generasi
-
Periode 21-9-2007 sampai 17-3-2008
P r o f i t (Rp.)
Generasi
58
-
Periode 19-12-2007 sampai 17-6-2007
P r o f i t (Rp.)
Generasi
-
Periode 17-3-2008 sampai 16-9-2008
P r o f i t (Rp.)
Generasi
59
Grafik Proses Training Algoritme Genetika Pada Saham PT. Bumi Resources Tbk. -
Periode 1-1-2007 sampai 19-6-2007
P r o f i t (Rp.)
Generasi
-
Periode 26-3-2007 sampai 12-9-2007
P r o f i t (Rp.)
Generasi
60
-
Periode 19-6-2007 sampai 6-12-2007
P r o f i t (Rp.)
Generasi
-
Periode 12-9-2007 sampai 29-2-2008
P r o f i t (Rp.)
Generasi
61
-
Periode 6-12-2007 sampai 28-5-2008
P r o f i t (Rp.)
Generasi
-
Periode 29-2-2008 sampai 26-8-2008
P r o f i t (Rp.)
Generasi
62
Lampiran 3 Aturan Perdagangan Optimal - PT. Bayu Buana Tbk (BAYU) o Periode 2 Parameter Aturan
RSI Ref. Time MA Ref. Time Alpha Profit Cash Loss Cutting
Parameter Aturan
RSI Ref. Time MA Ref. Time ADX Ref. Time Wiliam Ref. Time Alpha Profit Cash Loss Cutting
Aturan Beli
Aturan Jual
((78.125%
((53.125%
Aturan Beli
Aturan Jual
((3.125%
((78.125%
o Periode 3 Parameter Aturan
RSI Ref. Time MA Ref. Time Alpha Profit Cash Loss Cutting
Parameter Aturan
Aturan Beli
Aturan Jual
((68.75%
((34.375%
Aturan Beli
Aturan Jual
((100%
((28.125%
63
RSI Ref. Time MA Ref. Time ADX Ref. Time Wiliam Ref. Time Alpha Profit Cash Loss Cutting
5 32 28 5 0.1875 6.34375 loss -6.0625
28 26 4 11 0.84375 6.625 -9.71875
o Periode 4 Parameter Aturan
RSI Ref. Time MA Ref. Time Alpha Profit Cash Loss Cutting
Parameter Aturan
RSI Ref. Time MA Ref. Time ADX Ref. Time Wiliam Ref. Time Alpha Profit Cash Loss Cutting
Aturan Beli
Aturan Jual
((9.375%
((46.875%
Aturan Beli
Aturan Jual
((53.125%
((34.375%
64
-
PT Bumi Resources Tbk (BUMI) o Periode 4
Parameter Aturan
RSI Ref. Time MA Ref. Time Alpha Profit Cash Loss Cutting
Parameter Aturan
RSI Ref. Time MA Ref. Time ADX Ref. Time Wiliam Ref. Time Alpha Profit Cash Loss Cutting
Aturan Beli
Aturan Jual
((25%
((56.25%
Aturan Beli
Aturan Jual
((93.75%
((9.375%
o Periode 5 Parameter Aturan
Aturan Beli
Aturan Jual
((34.375%
RSI Ref. Time MA Ref. Time Alpha Profit Cash Loss Cutting
8 13 0.28125 1.84375 -6.625
((68.75%
Parameter Aturan
RSI Ref. Time MA Ref. Time ADX Ref. Time
AturanBeli
Aturan Jual
((25%
((81.25%
65
Wiliam Ref. Time Alpha Profit Cash Loss Cutting
14 0.1875 8.59375 -5.21875
20 0.71875 3.25 -4.9375
