Dalam bentuk chart, data saham Jakarta Islamic Index JII di atas dapat dilihat pada Gambar 3.1.
Gambar 3.1 Grafik Harga Saham Jakarta Islamic Index JII
Data akan dikelompokkan menjadi data pelatihan dan data pengujian. Data pelatihan yang digunakan adalah data harian harga saham JII dari tanggal 1 Januari
2004 s.d. 31 Desember 2010. Sedangkan untuk data testing yang digunakan adalah data saham JII tanggal 1 Januari 2011 s.d. 31 Desember 2012.
3.3 Analisis Teknikal Prediksi Harga Saham Menggunakan ANFIS
Sistem prediksi saham menggunakan metode Adaftive Neuro Fuzzy Inference System ANFIS dan data runtun waktu di masa lalu dapat digunakan untuk melakukan
analisis teknikal saham syariah. Sistem menerima lima variabel input yakni harga pembukaan, harga penutupan, harga tertinggi, harga terendah serta volume saham.
Data-data sersebut akan dinormalisasi dan diklasifikasi, dan kemudian akan diproses dengan mengunakan algoritma ANFIS hingga diproleh hasil prediksi. Adapun metode
ANFIS dapat dilihat pada Gambar 3.3.
100 200
300 400
500 600
700
2000000000000 4000000000000
6000000000000 8000000000000
10000000000000 12000000000000
14000000000000 16000000000000
18000000000000 20000000000000
21 200
4 27
200 4
27 112
004 24
042 005
19 092
005 14
022 006
12 720
06 71
220 06
45 200
7
29 092
007 24
2 2
00 8
21 072
008 16
122 008
13 052
009 81
020 09
53 201
31 072
010 26
122 010
23 052
011 18
102 011
14 032
012 98
201 2
H ar
g a
Vo lu
m e
Chart Data Saham Jakarta Islamic Index Priode 2004 - 2012
Volume Open
High Low
Close
Universitas Sumatera Utara
Mulai Input nilai n, m, Kelas, Toleransi Error,
Max Epoch, Laju Pembelajaran, Momentum dan data saham
Normalisasi data saham dengan range [ 0.1 , 0.9 ]
Melakukan cluster data dengan FCM
Menentukan nilai Mean dan Standar Deviasi dari hasil cluster Inisialisasi nilai Epoch =1
Epoch Max Epoch dan
Error Toleransi Error Denormalisasi data hasil prediksi ANFIS
Ouput berupa hasil prediksi dalam bilangan tegas crisp
Mengitung kesalahan prediksi menggunakan MAPE
Output persentase kesalan prediksi
Selesai T
Mencari nilai parameter konsekuen dengan menggunakan lajur maju dan cari
hasil defuzzifikasi Menghitung Error lapisan ke-5, Error lapisan ke-4,
Error lapisan ke-3, Error lapisan ke-2, Error lapisan ke-1
Menghitung error parameter masukan terhadap layer pertama
Mengubah nilai parameter masukan menggunakan gradient descent
Menghitung kuadrat error SSE
Epoch++ F
Gambar 3.2 Algoritma ANFIS pada Sistem
Universitas Sumatera Utara
Secara umum bagan sistem ANFIS yang akan dibagun adalah seperti terlihat pada Gambar 3.3.
X1
X2
X3
X4
X5 A1
A2 B1
B2 C1
C2 D1
D2 E1
E2 w1=A1B1C1D1E1
w2=A2B2C2D2E2 w1=w1w1+w2
w2=w2w1+w2 O41 =w1o1x0 + p1x1+
q1x2 + r1x3 + s1x4 + t1x5
O42 =w2o2x0 + p2x1+ q2x2 + r2x3 + s2x4 + t2x5
SUM Y
fuzifika
fuzifikasi firing
strength normalize firing strength
perhitungan nilai consequent dengan Least square
estimator LSE
summary hasil prediksi
Menghitung error layer k-5
Menghitung error layer k-4
Menghitung error layer k-3
Menghitung error layer k-2
Menghitung error layer k-1
Menghitung gradient descent
X1 = harga open X2 = harga High
X3 = harga Low X4 = harga Close
X5 = Volume saham Dimana :
A1 = Cluster ke-1 dari X1 A2 = Cluster ke-2 dari X1
B1 = Cluster ke-1 dari X2 B2 = Cluster ke-2 dari X2
C1 = Cluster ke-1 dari X3 C2 = Cluster ke-2 dari X3
D1 = Cluster ke-1 dari X4 D2 = Cluster ke-2 dari X4
E1 = Cluster ke-1 dari X5 E2 = Cluster ke-2 dari X5
Gambar 3.3 Sistem ANFIS dengan Lima Input dan Dua Aturan
Adapun langkah-langkah sistem prediksi harga saham syariah yang akan dibangun adalah sebagai berikut:
1. Memasukkan data saham JII yang ingin diprediksi.
2. Memasukkan nilai laju pembelajaran, momentum, toleransi kesalahan, dan, Max Epoch.
3. Melakukan normalisasi data yang telah dimasukkan, data ditransformasikan pada selang 0,1 s.d. 0,9. dengan menggunakan persamaan 2.1. Kemudian target dibuat
pada selang 1 s.d 9.
Universitas Sumatera Utara
4. Menentukan parameter FCM yaitu banyaknya cluster, nilai bobot pangkat cluster, Max Epoch, dan kriteria penghentian.
5. Melakukan pengelompokkan terhadap data masukan dengan menggunakan FCM dengan persamaan 2.8 dan persamaan 2.9. Pada sistem prediksi ini, setiap data
input akan dibentuk dua buah cluster yaitu cluster 1 dan cluster 2 dimana cluster 1 merupakan data kelompok data dengan tingkat fluktuasi rendah dan cluster 2
merupakan kelompok data dengan tingkat fluktuasi tinggi.
6. Setelah didapatkan pengelompokkan data, maka selanjutnya mencari nilai mean dan standar deviasi.
7. Dilakukan pelatihan terhadap data masukan dengan nilai epoch lebih kecil dari nilai maximum pengulangan dan nilai error lebih besar dari nilai batas kesalahan.
a. Tahap pertama yang dilakukan adalah lajur maju yang melakukan beberapa tahap untuk mencari nilai consequent dari aturan yang dibuat untuk melakukan
penjumlahan terhadap semua masukan pada layer terakhir. i. Pada setiap node i pada layer pertama menghitung derajat keanggotaan
dengan menggunakan persamaan 2.15. ii. Pada setiap node i pada layer kedua mencari nilai firing strength dengan
menggunakan persamaan 2.16. iii. Pada setiap node i pada layer ketiga mencari nilai normalized firing
strength dengan menggunakan persamaan 2.17. iv. Pada setiap node i pada layer keempat mencari nilai parameter consequent
dengan menggunakan persamaan 2.18. v. Menentukan nilai parameter consequent dengan menggunakan LSE
dengan persamaan 2.19 sampai dengan persamaan 2.22. vi. Sebuah node tunggal pada layer kelima melakukan penjumlahan untuk
semua masukkan yang ada menggunakan persamaan 2.23. vii. Menghitung nilai keluaran yang merupakan persamaan linear yang
merupakan kombinasi dari parameter consequent dengan menggunakan persamaan 2.24.
Universitas Sumatera Utara
b. Setelah tahap maju selesai, maka selanjutnya dilakukan tahap laju mundur dengan menggunakan Error Backpropagation EBP untuk mengecek error
pada setiap layer dan menggunakan gradient descent untuk mengubah nilai parameter masukkan pada layer pertama.
i. Menghitung error pada layer kelima dengan menggunakan persamaan
2.25.
ii. Menghitung error pada layer keempat dengan menggunakan
persamaan 2.26.
iii. Menghitung error pada layer ketiga dengan menggunakan persamaan
2.27.
iv. Menghitung error pada layer kedua dengan menggunakan persamaan
2.28.
v. Menghitung error pada layer pertama dengan menggunakan persamaan
2.29.
vi. Menghitung error antara layer pertama dengan parameter masukan
menggunakan persaman 2.30 dan persamaan 2.31.
vii. Setelah dilakukan penghitungan terhadap error pada setiap layer, maka
selanjutnya melakukan perubahan terhadap parameter masukkan pada layer pertama dengan menggunakan persamaan 2.32 sampai dengan
persamaan 2.35.
c. Menghitung nilai kuadarat error menggunakan persamaan 2.36.
d. Melakukan penambah nilai epoch.
e. Jika nilai epoch lebih kecil dari nilai max pengulangan dan nilai error lebih besar dari nilai batasan kesalahan, maka menuju ke langkah 7.a.
Universitas Sumatera Utara
8. Melakukan denormalisasi data hasil prediksi untuk mendapatkan nilai yang sebenarnya dengan menggunakan persamaan 2.2.
9. Menghitung kesalahan hasil prediksi dengan menggunakan Mean Absolute Percentage Error MAPE dengan persamaan 2.37.
3.4 Perancangan Sistem