Prediksi Pergerakan Kurva Harga Saham dengan Metode Simple Moving Average Menggunakan C++ dan Qt Creator

FK001

Prosiding Seminar Kontribusi Fisika 2011 (SKF 2011) 1-2 Desember 2011, Bandung, Indonesia

Prediksi Pergerakan Kurva Harga Saham dengan Metode Simple Moving Average Menggunakan C++ dan Qt Creator Andri Rahmadhani*, Mohammad Mandela, Timoty Paul dan Sparisoma Viridi Abstrak Simple Moving Average (SMA) dapat digunakan sebagai salah satu teknik untuk memprediksi pergerakan kurva harga saham khususnya untuk periode data yang pendek. Definisi Moving Average adalah rata-rata yang “bergerak”. Maksudnya ialah nilai rata-rata data dari suatu periode tertentu terus dihitung sesuai dengan pergerakan data yang bergantung waktu. Dalam kasus ini, digunakan periode SMA sebesar 20, 50, serta nilai periode tertentu yang dapat dimasukan sendiri ke program. Program yang digunakan dibuat dengan bahasa C++ menggunakan Qt Creator yang bersifat open source. Program ini dapat membuka file data berformat CSV hasil unduhan dari situs Yahoo! Finance untuk kemudian diolah menjadi kurva data harga penutupan saham. Dengan membandingkan kurva dari periode SMA yang berbeda-beda, dapat dilihat suatu pola yang nantinya dapat digunakan sebagai prediksi pergerakan harga saham. Hasil yang didapatkan ternyata cukup baik untuk periode SMA yang kecil tetapi tidak akurat untuk menentukan secara definitif nilai harga saham. Kata-kata kunci: C++, open source, Qt Creator, saham, simple moving average Pendahuluan Aplikasi prediksi pergerakan harga saham dengan menggunakan metode simple moving average (SMA) sudah banyak berdedar khusunya di internet. Rata-rata aplikasi tersebut membutuhkan koneksi internet untuk mengakses data [1]. Biasanya aplikasi tersebut dibuat menggunakan pemrograman Java atau PHP seperti situs Yahoo! Finance [2]. Selain menggunakan metode moving average, aplikasi tersebut telah menerapkan metode neural network di mana program dapat secara aktif mempelajari pola data pergerakan saham sehingga hasil prediksinya lebih akurat [3]. Penulis kemudian membuat program pembelajaran untuk pembacaan prediksi harga saham secara offline berbasis GUI C++ dengan menggunakan Qt Creator [4]. Data yang digunakan merupakan data yang bergantung waktu (time series) hasil unduhan file CSV dari situs Yahoo! Finance [5]. Penulis menggunakan class Qwt yang diintegrasikan dengan Qt Creator untuk membuat tampilan grafik harga saham [6]. Selain itu, penulis menggunakan array dan variabel penampung (buffer) dalam algoritma perhitungan simple moving average sesuai dengan definisi dari moving average itu sendiri [7]. Teori dan Model Moving Average (MA) merupakan sebuah indikator yang sering digunakan dalam analisis teknis yang menunjukkan nilai rata-rata data selama periode yang ditetapkan. Data yang dirata-ratakan merupakan data yang bergantung waktu (time series). Time Series merupakan kumpulan data pengamatan yang tiap datanya diamati dalam waktu

ISBN 978-602-19655-1-1

Halaman 178 dari 216


tertentu yang bersifat diskrit [5]. Moving Average biasanya digunakan dalam analisis teknikal saham untuk mengukur momentum dan menentukan area support dan resistance yang memungkinkan [1]. Moving Average mempunyai tiga varian yang berbeda yaitu Simple Moving Average, Weighted Moving Average dan Exponential Moving Average. Masing-masing merupakan metode Moving Average, hanya saja cara me-rata-ratakannya yang berbeda satu sama lain. Perbedaan utamanya terletak pada pembobotan data yang sering muncul. Simple Moving Average menggunakan pembobotan yang sama untuk setiap data sedangkan Weighted Moving Average dan Exponential Moving Average menambahkan bobot lebih ke data yang sering muncul. Namun dalam pembacaannya tetaplah sama dan semuanya mengikuti aturan yang berlaku pada Moving Average [8]. Pada makalah ini secara khusus dibahas mengenai metode Simple Moving Average [1][2]. Simple Moving Average (SMA) dapat digunakan untuk membuat kurva harga saham yang halus atau smooth dan menyaring noise data sehingga lebih mudah untuk melihat trend data tersebut [5]. SMA digunakan untuk menentukan arah pergerakan harga saham berdasarkan harga masa lalu, namun tidak cukup akurat untuk memprediksi harga saham. Kelebihan dari penggunaan metode ini adalah kesederhanaan perhitungannya meskipun akurasi yang dihasilkan kurang baik untuk trend harga saham jangka panjang, namun informasi yang diperoleh dari penggunaan metode ini dapat membantu pialang dan investor dalam menentukan waktu yang tepat untuk membeli atau menjual saham. Kekurangannya adalah dapat menyebabkan kesalahan prediksi yang cukup fatal untuk trend harga saham jangka panjang. Berikut merupakan persamaan umum dari Simple Moving Average,

SMA( N ) 

( X M 1  X M  2  X M 3    X M  N ) , M N N

(1)

dengan M adalah indeks harga penutupan saham hari ini (sekarang) dan N adalah periode data atau banyaknya data yang dirata-ratakan. X M 1 sampai X M  N merupakan data harga penutupan saham N hari sebelumnya. Untuk memprediksi harga penutupan saham hari ini, diasumsikan bahwa nilai SMA hari ini sama dengan nilai SMA hari sebelumnya. Persamaannya dapat ditulis sebagai berikut

X M  X M N

(2)

atau





X M  SMASEKARANG * N  X M 1  X M  2    X M  N 1 .

(3)

Contoh dalam kasus berikut digunakan SMA dengan periode 50 hari (SMA 50) dan 20 hari (SMA 20).

ISBN 978-602-19655-1-1



Gambar 1. Kurva harga saham penutupan Adaro Energy Tbk. dengan SMA 50 hari dan 20 hari [2]. Ketika garis merah (MA20) menyilang garis hijau (MA50) ke bawah, maka kondisinya disebut dead cross yang merupakan tanda bahwa harga akan miring atau downtrend dan merupakan saat yang baik untuk menjual saham. Akan tetapi, ketika garis merah (MA20) menyilang garis hijau (MA50) ke atas, maka kondisinya disebut golden cross yang merupakan kebalikan dari dead cross dan merupakan saat yang baik untuk membeli saham [2].

Gambar 2. Tampilan program prediksi pergerakan harga saham menggunakan metode Simple Moving Average.

ISBN 978-602-19655-1-1



Dalam kasus ini, pemodelan yang digunakan untuk aplikasi SMA berupa program komputer untuk desktop yang dibuat dengan bahasa C++ menggunakan GUI Qt Creator dan Qwt Class. Bahasa C++ merupakan bahasa pemrograman universal yang mudah digunakan dan multiplatform. Bahasa C++ ini dapat diintegrasikan dengan Graphical User Interface (GUI) sehingga pengguna dengan mudah memahami cara pakai program. Qt Creator merupakan salah satu aplikasi pengembang C++ dan GUI yang bersifat open source [4]. Sebagai tambahan, program yang dibuat menggunakan Qwt Class yang digunakan untuk membuat tampilan plot data saham dan kurva SMA [6]. Tampilan program yang dibuat dapat dilihat pada gambar 2.

Gambar 3. Diagram alir program. Algoritma Perhitungan SMA : buffer = 0 i=N For j = 0 to (nSMA – 1) data_SMA_x[j] = j data_SMA_y[j] = 0 End For For j = nSMA to i For k = nSMA to (j – 1) buffer = buffer + data_y[k] End For data_SMA_x[j] = j data_SMA_y[j] = buffer/nSMA buffer = 0 End For

// Nol-kan variabel penampung // N jumlah data // Nol-kan data yang indeksnya // kurang dari nSMA (periode SMA) // Hitung nilai SMA sampai data akhir // Tambahkan data sebanyak nSMA // ke variabel penampung // Isikan data sumbu x // Isikan data sumbu y // Nol-kan lagi variabel penampung

Gambar 4. Algoritma perhitungan SMA pada program Diagram alir program dapat dilihat pada gambar 3. Pengguna dapat membuka file data harga penutupan saham per hari berformat CSV hasil unduhan dari situs Yahoo! Finance. Program kemudian secara otomatis menggambar grafik harga penutupan saham terhadap hari. Pengguna cukup memilih periode SMA yang ingin digunakan dan secara otomatis program akan menggambarkan kurva SMA-nya. Bilamana

ISBN 978-602-19655-1-1



dibutuhkan prediksi harga saham, program menyediakan fasilitas prediksi harga saham meskipun hasilnya tidak cukup akurat. Pengguna juga bisa memperbesar atau memperkecil rentang tampilan data agar grafiknya lebih mudah dilihat. Hasil dan Diskusi Hasil yang didapat menunjukkan bahwa kurva SMA memiliki bentuk yang lebih halus dibandingkan dengan kurva data referensi saham. Dapat dilihat pada gambar 5 bahwa semakin besar periode SMA, dalam hal ini nilai N, maka kurva SMA yang dihasilkan semakin halus. Artinya, kurva tersebut lebih resistan terhadap fluktuasi data. Data saham biasanya naik turun seperti halnya fungsi sinusoidal [9]. Oleh karena itu, jika rentang data yang dimasukkan sangat banyak, maka sesuai persamaan 1 nilai rata-ratanya akan relatif konstan. Berbeda dengan nilai periode yang besar, nilai periode yang kecil menyebabkan kurva SMA relatif sama dengan kurva data referensi saham. Kurva ini lebih sensitif terhadap perubahan karena hanya mengambil sedikit data sebelumnya. Keterangan : SMA 5 SMA 20 SMA 50

Gambar 5. Kurva harga saham dan SMA periode 4 Agustus 2011 – 24 Nopember 2011 saham Adaro Energy Tbk. Keterangan : SMA 5 SMA 20 SMA 50

Gambar 6. Kurva harga saham dan SMA periode 24 Maret 2011 – 25 Juli 2011 saham Adaro Energy Tbk.

ISBN 978-602-19655-1-1



Dari gambar 5 dan 6 dapat disimpulkan beberapa hubungan antara posisi kurva SMA dan kurva referensi saham dengan prediksi trend harga saham, yaitu seperti yang tercantum pada tabel 1 [1][2]. Tabel 1. Hubungan posisi SMA dengan prediksi trend harga saham. Posisi SMA SMA berada dibawah referensi SMA berada diatas referensi SMA memotong referensi dari bawah. SMA memotong referensi dari atas SMA periode lebih pendek memotong SMA periode lebih panjang dari bawah SMA periode lebih pendek memotong SMA periode lebih panjang dari atas. SMA dengan periode lebih panjang berada diatas SMA berperiode lebih pendek. SMA dengan periode lebih panjang berada dibawah SMA berperiode lebih pendek.

Arti / Prediksi Trend naik Trend turun Perubahan trend menuju trend turun Perubahan trend menuju trend naik Perubahan trend menuju trend naik (golden cross) Perubahan trend menuju trend turun (dead cross) Trend turun Trend naik

Hubungan pada tabel 1 terjadi akibat pengaruh nilai data yang dirata-ratakan. Misalkan ketika trend turun, kurva SMA akan berada di atas kurva referensi harga saham karena nilai rata-rata datanya masih lebih besar dibandingkan data itu sendiri. Sebaliknya, ketika trend naik, nilai rata-rata datanya masih lebih kecil dibandingkan data itu sendiri sehingga kurva SMA akan berada di bawah kurva referensi harga saham. Pada tabel 2 dan 3, dapat dilihat galat dari prediksi harga saham yang dihasilkan untuk tiap periode SMA. Hasil yang didapat menunjukkan bahwa periode SMA yang kecil (jangka pendek) cukup baik untuk memprediksi trend harga saham, namun untuk SMA jangka panjang, hasilnya masih jauh dari referensi. Untuk pergerakan kurva SMA, ternyata hasilnya tidak sesuai dengan kurva referensi. Hal ini disebabkan data referensi harga saham yang sangat fluktuatif jika ditinjau dalam selang per hari. Tetapi ketika ditinjau dalam selang mingguan atau bulanan, ternyata hasilnya cukup akurat. Jadi, metode SMA ini cukup baik digunakan untuk memprediksikan pergerakan kurva harga saham dalam jangka mingguan atau bulanan [1][2].

ISBN 978-602-19655-1-1



Tabel 2. Galat prediksi harga saham dan pergerakan kurva SMA saham Adaro Energy Tbk. tanggal 24 Nopember 2011 nSMA

Galat (%)

Harga Saham

SMA

5

4,71

Tetap

Turun

10

8,64

Tetap

Turun

20

8,64

Tetap

Turun

50

1,57

Tetap

Turun

100

25,65

Tetap

Turun

200

25,65

Tetap

Turun

Tabel 3. Galat prediksi harga saham dan pergerakan kurva SMA saham Adaro Energy Tbk. tanggal 31 Oktober 2011 nSMA

Galat (%)

Harga Saham

SMA

5

3,70

Turun

Naik

10

3,21

Turun

Naik

20

20,49

Turun

Naik

50

14,81

Turun

Turun

100

19,75

Turun

Turun

200

37,04

Turun

Turun

Selain menggunakan metode SMA, terdapat juga metode regresi [10] dan neural network [3] dalam prediksi harga saham. Metode regresi menggunakan persamaan tertentu untuk aproksimasi kurva saham dan hasilnya cukup baik [10]. Metode neural network menggunakan algoritma di mana program dapat mempelajari secara aktif kurva saham sehingga didapatkan suatu pola. Hasil yang didapat lebih akurat dari metode regresi dan SMA tetapi algoritma yang dipakai rumit sehingga memerlukan komputasi yang canggih [3]. Program yang dibuat penulis hanya menganalisis harga saham berdasarkan data masa lalu, tidak terdapat parameter-paramater lain yang mungkin dapat berpengaruh pada prediksi harga saham. Oleh karena itu, diperlukan studi dan pengembangan lebih lanjut terkait permasalahan tersebut. Kesimpulan Metode Simple Moving Average (SMA) menggunakan data-data yang telah ada untuk memprediksi nilai selanjutnya yang belum diketahui. Metode SMA tidak dapat secara definitif menentukan nilai harga saham yang belum diketahui, namun cukup efektif untuk memprediksi trend naik turunnya harga saham dalam jangka pendek. Ucapan Terima Kasih Penulis mengucapkan terima kasih kepada Dr. rer. nat. Sparisoma Viridi atas bimbingannya dalam penyusunan makalah ini. Penulis juga mengucapkan terima kasih kepada panitia SKF 2011 yang telah memberikan kesempatan untuk berkontribusi dalam acara SKF 2011. ISBN 978-602-19655-1-1



Referensi [1]

Tim BelajarForex, “Moving Average”, update 10.05.2007, url http://belajarforex.com/walking-lamb/6-moving-average-ma.html [diakses 5.12.11] [2] Dosen Pojok Saham, “Membaca Trend Harga Saham Menggunakan Moving Average”, update 09.04.2010, url http://pojoksaham.com/2010/04/09/membacatrend-harga-saham-menggunakan-moving-average/ [diakses 5.12.11] [3] Myungsook Klassen, “Investigation of Some Technical Indexes in Stock Forecasting Using Neural Networks”, World Academy of Science Engineering and Technology 5, 75-79 (2005) [4] Daniel Molkentin, “The Book of Qt 4: The Art of Building Qt Applications”, Penerbit Open Source Press GmbH, Munich, 2007, pp. 25-184 [5] Peter J. Brockwell dan Richard A. Davis, “Introduction to time series and forecasting”, Edisi Kedua, Springer-Verlag, New York, 2002, pp. 1-46 [6] Uwe Rathmann dan Josef Wilgen, “QwtPlot Class Reference”, url http://qwt.sourceforge.net/class_qwt_plot.html [diakses 5.12.11] [7] Kontributor RosettaCode, “Averages/Simple moving average”, update 18.11.2011, url http://rosettacode.org/wiki/Averages/Simple_moving_average [akses 5.12.11] [8] Steven B. Achelis, “Technical Analysis from A to Z”, Equis, 2003, pp. 193-196 [9] Nikhil Bakshi, “Stock Market Prediction Using Online Data: Fundamental and Technical Approaches”, Master’s Thesis in Computer Science, ETH Zurich, 2008, pp. 7-37 [10] S. Abdulsalam S. Olaniyi, Adewole, Kayode S., Jimoh R. G, “Stock Trend Prediction Using Regression Analysis - A Data Mining Approach”, ARPN Journal of Systems and Software 1 (4), 154-157. Andri Rahmadhani*

Departemen Fisika Institut Teknologi Bandung [email protected]

Mohammad Mandela

Departemen Fisika Institut Teknologi Bandung

Timoty Paul

Departemen Fisika Institut Teknologi Bandung

Sparisoma Viridi

Nuclear Physics and Biophysics Research Division Institut Teknologi Bandung

*Corresponding author

ISBN 978-602-19655-1-1


Prediksi Pergerakan Kurva Harga Saham dengan Metode Simple Moving Average Menggunakan C++ dan Qt Creator

Recommend Documents