SIDANG TUGAS AKHIR
PERAMALAN INDEKS HARGA SAHAM GABUNGAN DENGAN MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM Oleh: Ranny Kumala Dewi 5105 100 113 Dosen pembimbing Dr.Ir.Joko Lianto Buliali,M.Sc
JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INFORMASI INSTITUT TEKNOLOGI SEPULUH NOVEMBER SURABAYA 2010
BAB I Pendahuluan Indeks harga saham merupakan salah satu indikator yang menunjukkan pergerakan harga saham. Indeks berfungsi sebagai indikator kecenderungan pasar ke tingkatan tertentu, apakah cenderung naik atau cenderung turun berdasarkan satu jangkauan waktu tertentu. Pergerakan indeks harga saham juga merupakan tolok ukur apakah pasar sedang lesu atau sedang aktif. Hal ini akan mempengaruhi keputusan investor apakah mereka akan menjual, menahan atau membeli suatu saham atau beberapa saham tertentu. Peramalan atau prediksi sangat diperlukan untuk memantau pergerakan indeks harga saham yang akan datang. Sehingga investor mempunyai pertimbangan yang lebih kuat dengan adanya prediksi ini. Salah satu metode dari teknik kecerdasan buatan yang telah dapat membuat suatu terobosan untuk peramalan atau prediksi adalah metode Adapative Neuro-Fuzzy Inference System atau ANFIS
Perumusan Masalah Permasalahan dalam tugas akhir ini terbagi atas 3(tiga) bagian yaitu:
Bagaimana menerapkan algoritma ANFIS sebagai metode perhitungan untuk peramalan indeks harga saham dengan menggunakan MATLAB.
Bagaimana mengolah data-data pelatihan dan data-data pengujian agar dapat diproses oleh algoritma ANFIS.
Bagaimana memperoleh hasil pelatihan terbaik dengan berdasarkan indikator target error yang terbaik.
Batasan Masalah Sejumlah permasalahan yang dibahas dalam usulan tugas akhir ini akan dibatasi ruang lingkup pembahasannya, antara lain:
Data-data masukan berupa indeks harga saham per bulan selama periode tahun 2001 sampai dengan 2 Juni tahun 2010.
Algoritma yang digunakan sebagai mekanisme peramalan adalah ANFIS (Adaptive Neuro-Fuzzy Inference System) dengan fungsi keanggotaan Gaussian (gaussmf).
Penerapan algoritma ANFIS dalam bentuk program menggunakan MATLAB.
Tujuan Tujuan yang akan dicapai dari tugas akhir ini membuat aplikasi atau program computer dengan menggunakan MATLAB sebagai implementasi peramalan indeks harga saham dengan algoritma ANFIS. Dari penerapan tersebut diharapkan akan diperoleh pemahaman bagaimana mekanisme peramalan tersebut dapat dilakukan dengan algoritma ANFIS.
Manfaat dari tugas akhir ini adalah 1.
Penelitian ini bermanfaat secara umum bagi para praktisi financial, pelaku pasar modal, selain dapat digunakan sebagai alternatif solusi mekanisme prediksi harga saham, juga dapat digunakan sebagai acuan untuk pengembangan lebih lanjut mengenai teknik peramalan.
2.
Bagi peneliti sendiri selain sebagai salah satu syarat penyelesaian studi strata satu, juga sebagai penerapan mata perkuliahan yang pernah dipelajari yaitu kecerdasan buatan.
BAB II LANDASAN TEORI
Saham adalah satuan nilai atau pembukuan dalam berbagai instrumen finansial yang mengacu pada bagian kepemilikan sebuah perusahaan. Dengan menerbitkan saham, memungkinkan perusahaan-perusahaan yang membutuhkan pendanaan jangka panjang untuk 'menjual' kepentingan dalam bisnis - saham (efek ekuitas) - dengan imbalan uang tunai.
Indeks harga saham adalah indikator atau cerminan pergerakan harga saham. Indeks merupakan salah satu pedoman bagi investor untuk melakukan investasi di pasar modal, khususnya saham.
Dasar perhitungan IHSG adalah jumlah Nilai Pasar dari total saham yang tercatat pada tanggal 10 Agustus 1982. Jumlah Nilai Pasar adalah total perkalian setiap saham tercatat (kecuali untuk perusahaan yang berada dalam program restrukturisasi) dengan harga di BEJ pada hari tersebut. Formula perhitungan IHSG adalah : IHSG
H arg a _ Penutupan Jumlah _ Saham 100 Nilai _ Dasar
Harga saham yang digunakan untuk menghitung IHSG adalah harga saham di pasar reguler yang didasarkan pada harga yang terjadi berdasarkan sistem lelang. Formula untuk menghitung Nilai Dasar adalah :
NilaiDasar Baru
NilaiPasar Lama NilaiPasar Baru NilaiDasar Lama NilaiPasar Lama
LANDASAN TEORI (Lanjutan) Untuk memprediksi indeks harga saham di masa yang akan datang menggunakan analisis teknikal, yang dibutuhkan adalah data-data indeks harga saham di waktu sebelumnya. Data-data tersebut merupakan data time-series yang diurutkan berdasarkan waktu dalam interval waktu yang sama. Analisa teknikal antara lain : 1. 2. 3. 4.
Moving Average (MA) Moving Average Convergence Divergence Relative Strength Index (RSI) Stochastic Oscillator (SO)
(MACD)
LANDASAN TEORI (Lanjutan) Moving Average (MA) Moving average merupakan analisis teknikal yang paling umum dipakai. Terdapat dua jenis untuk analisa teknikal moving average, yaitu: Simple Moving Average (SMA) dan Exponential Moving Average (EMA).
Ft Ft 1 At 1 Ft 1 dimana: Ft-1 adalah nilai prediksi sebelumnya At-1 adalah nilai aktual sebelumnya adalah konstantan penghalusan dengan jangkauan antara 0 dan 1.
LANDASAN TEORI (Lanjutan) Moving Average Convergence Divergence (MACD) MACD secara garis besar menggunakan EMA dalam perhitungannya. EMA terdiri dari tiga bagian yaitu: trigger line, center line, dan MACD line. MACD = EMA12 – EMA26 Signal (trigger line) = EMA9 Histogram = MACD – Signal
LANDASAN TEORI (Lanjutan) Relative Strength Index (RSI) RSI merupakan salah satu indikator yang menunjukkan kekuatan harga dengan membandingkan upward dan downward dari harga penutupan. EMAn dariU RSI *100 EMAn dariU EMAn dariD dimana: U adalah upward harga penutupan D adalah downward harga penutupan EMAn adalah EMA periode n RSI bernilai antara 0 dan 100
LANDASAN TEORI (Lanjutan) Stochastic Oscillator (SO) SO digunakan untuk menunjukkan posisi closing relative terhadap jangkauan transaksi dalam suatu periode tertentu. Pada dasarnya indikator ini digunakan untuk mengukur kekuatan relative harga terakhir terhadap selang harga tertinggi dan terrendahnya selama selang periode tertentu. SO terdiri dari dua garis yaitu %K dan %D. Inti dari indikator ini adalah %K, sedangkan %D adalah SMA dari %K. Berikut ini adalah rumus dari SO:
CP1 Ln %K * 100 Hn Ln %D = SMA3dari%K
LANDASAN TEORI (Lanjutan) Adaptive Neuro Fuzzy Inferrence System (ANFIS) Adaptive neuro fuzzy inferrence system (ANFIS) merupakan jaringan adaptif yang berbasis pada sistem kesimpulan fuzzy (fuzzy inference system). Dengan penggunaan suatu prosedur hybrid learning, ANFIS dapat membangun suatu mapping input-output yang keduanya berdasarkan pada pengetahuan manusia (pada bentuk aturan fuzzy ifthen) dengan fungsi keanggotaan yang tepat.
LANDASAN TEORI (Lanjutan) Sistem Kesimpulan Fuzzy Pada dasarnya suatu sistem kesimpulan fuzzy terdiri atas 5 (lima) blok fungsional (blok diagram fuzzy inference system digambarkan pada gambar dibawah:
LANDASAN TEORI (Lanjutan) Arsitektur ANFIS
LANDASAN TEORI (Lanjutan) Time series dan prediksi IHSG Dalam indek harga saham gabungang dapat digolongkan sebagai ata time series karena terdiri dari barisan nilai-nilai dalam deret waktu. Suatu data time series dapat dinotasikan secara sederhana sebagai berikut: y = h(t) dimana y dapat merupakan sebagai variable nilai tunggal yang dibangun dalam waktu t dan dalam hal ini y adalah nilai dari indek harga saham gabungan. Untuk meramalkan data time series, perlu diketahui nilai histori (nilai-nilai masa lalu) dari h dan mengekstapolasinya untuk meramalkan nilai masa yang akan dating. Karakteristik dari moel peramalan adalah sisitem nonlinear.Dalam tugas akhir ini dilakukan uji coba untuk memprediksi indek harga saham gabungan dengan ANFIS.
BAB III METODE PENELITIAN
Pada tugas akhir ini, ANFIS diterapkan untuk melakukan prediksi indek harga saham gabungan. Sebagai studi kasus, data time series yang digunakan dalam prediksi adalah data indek harga saham gabungan di bursa efek Indonesia. ANFIS ditujukan untuk memprediksi h(t) menggunakan n kandidat inpu h(t-1), h(t-2), h(t-3), . . ., h(t-n). Secara umum, dalam pemodelan ANFIS terdapat dua fase, yaitu identifikasi struktur dan identifikasi parameter.
Gambar : diagram alir sistem
BAB IV ANALISIS DAN PEMBAHASAN
Proses Training
(a) Epoch 100
(b) epoch 150
(c)epoch 200
Proses Testing(untuk tahun 2001-2010(2juni))
(a) Epoch 100
(c) epoch 200
(b) Epoch 150
proses forcasting (peramalan) Data stabil tahun 2006 awal
Data tidak stabil tahun 2010 awal
Lebih detail link bisa dilihat dari matlab GUI
Kesimpulan dan Saran Kesimpulan Dari uji coba yang telah dilakukan dalam implementasi metode ANFIS dengan MATLAB untuk proses peramalan didapatkan simpulan sebagai berikut : 1. Pada proses Training dalam metode ANFIS dapat dilihat bahwa semakin besar nilai Epoch maka nilai error yang diperoleh semakin kecil. 2. Pada proses Testing dalam metode ANFIS dapat dilihat bahwa data hasil testing identik dengan data yang sebenarnya. 3. Proses Forecasting menunjukkan bahwa dengan data yang fluktuasinya cenderung stabil diperoleh hasil peramalan yang mendekati data sebenarnya, sedangkan dengan kondisi data yang cenderung kurang stabil karena faktor – faktor tertentu diperoleh hasil peramalan yang kurang begitu akurat. 4. Apabila hasil peramalan yang diinginkan akurat atau mendekati data yang sebenarnya, diperlukan data yang stabil pada jangka waktu tertentu.
Saran Berikut ini adalah beberapa pertimbangan yang dapat dipakai untuk pengembangan dan penelitian kedepan 1.Metode anfis dengan Matlab GUI dengan mengunakan nilai iterasi besar akan membuat proses running program berjalan agak lama sehingga gunakan iterasi yang cukup karena data hasil anfis tidak terpaut jauh. 2. Pada tugas akhir ini perubahan data ishg pada kondisi krisis moneter mempengaruhi kestabilan data sehingga akurasi kurang begitu baik .maka pakailah data inputan pada kondisi yang stabil. 3. Jika memungkinkan dalam penelitian dan pengembangan selanjutnya, dibangun sotware yang utuh yang dilengkapi dengan aksesoris tambahan sehingga menjadi softwer rujukan para pelaku perekonomian atau instansi terkait untuk mengatur stabilitas ISHG pada kondisi apapun.
DAFTAR PUSTAKA
[1] Abraham. A., Nath, B. and Nath, M (2001). A Neuro-Fuzzy Approach for Forecasting Electricity Demand in Victoria. Applied Soft Computing Journal,Elsevier Science, 127-138. [2] Jang Jyh Shing, Roger, Sun, Chuen-Tsai,Mizutani, Eiji, Neuro Fuzzy and Soft Computing:Computational Approach to lerning and Machine Intelligence, Prentice Hall International, 1987 [3] Lin C.T and Lee, “A neuro-fuzzy Synergism to Intelligent System”, Prentice Hall International.Inc., 1996. [4] Jang, J.-S. R. 1993. ANFIS: Adaptive-networkbased fuzzy inference systems, IEEE Trans. On Systems, Man and Cybernetics, 23(03):665-685. [5] G. Atsalakis, Ucenic “Time series prediction of water consumption using neurofuzzy (ANFIS) approach”. Fariza Arna. M.Kom., “Tesis Hybrid Algorithma Genetika Simulated Annealing untuk peramalan Data Time series” Program Pasca Sarjana Institut Teknologi Sepuluh Nopember Surabaya, Juli 2003. [6] Dwiyanti, Vonny. Wawasan Bursa Saham. Edisi pertama. Yogyakarta: Andi Offset, 1999. Sugeno, M. (1985). [7] Industrial Applications of Fuzzy Control, Elsevier Science Publication Company. [8] LiMin Fu (1994), Neural Networks In Computer Intelligence, McGraw Hill International Editions [9] Mohammad Jamshidi, Nader Vadiee, dan Timothy J. Ross (1993), Fuzzy Logic and Control (Software and Hardware Applications Volume 2), Prentice Hall [10] Thomas Sri Widodo (2005), Sistem Neuro Fuzzy – Untuk pengolahan informasi, pemodelan, dan kendali, Penerbit Graha Ilmu Yogyakarta [11] http://www.idx.co.id/MainMenu/Education /IndeksHargaSahamObligasi/tabid/195/lang/id ID/language/id-ID/Default.as px