Prediks i Harga Saham Dengan Metode Fuzzy Time Series dan Metode Fuzzy Time Series-Genetic Algorithm (Studi Kas us : PT Bank Mandiri (pers ero) Tbk) Stock Price Prediction Us ing Fuzzy Time Series and Fuzzy Time Series-Genetic Algorithm (Cas e Study: PT B

ISSN : 2355-9365

e-Proceeding of Engineering : Vol.3, No.3 December 2016 | Page 5372

Prediks i Harga Saham Dengan Metode Fuzzy Time Series dan Metode Fuzzy Time Series-Genetic Algorithm
(Studi Kas us : PT Bank Mandiri (pers ero) Tbk)
Stock Price Prediction Us ing Fuzzy Time Series and Fuzzy Time Series-Genetic Algorithm (Cas e Study: PT
Bank Mandiri (pers ero) Tbk)
Felix Octavianus Has udungan 1 , Rian Febrian Umbara, S. Si, M. Si2 , Danang Triantoro, MT 3
1 ,2 ,3 Prodi S1 Ilmu Komputas i, Fakultas Informatika, Univers itas Telkom
1 felixoctavian@s tu den ts .telk omuni vers ity.ac .i d, 2 rianfebrianumbara
@telk omu ni vers ity. ac.i
d,
3 danangtriantoro@telk omuni vers ity.ac.i d
Abs trak
Nilai harga saham selalu berubah -ubah dan t idak menent u set iap harinya, maka diperluk an sebuah model unt uk menghasilkan prediksi yang
akurat unt uk mendapat kan keunt ungan yang maksimal. P ada t ugas akhir ini akan digunakan met ode Fuzzy Tim e Series danmetodeFuzzyTime
Series-Genetic Algorthm unt uk memprediksi harga saham. Met ode Fuzzy Tim e Series akan menghasilkan int erval dengan jarakyangsamadan
hasil prediksi nilai harga saham berdasarkan at uran Fuzzy Tim e Series dan Algorit ma Genet ika akan meningkat kan kinerja dengan mencari
int erval yang memiliki nilai fit ness yang t erbesar dalam set iap it erasi yang dilakukan unt uk mencari hasil prediksi denganmenggunakanaturan
Fuzzy Tim e series. Hasil prediksi yang didapat dengan menggunakan kedua metode t ersebut akan dibandingkan.

Hasil dari ujicoba pada t ugas akhir ini menunjukan bahwa prediksi harga saham menggunakan met ode Fuzzy Tim e Series memilikinilaiMAPE
sebesar 0.017611 dan nilai MSE sebesar 48249.1993. Sedangkan unt uk hasil prediksi menggunakan met ode FuzzyTimeSeries-GeneticAlgorthm
pada skenario 1 memiliki nilai MAPE sebesar 0.0028653 dan nilai MSE sebesar 15.7221, pada skenario 2 memilikinilaiMAPEsebesar0.0028478
dan nilai MSE sebesar 16.3946, dan pada skenario 3 memiliki nilai MAPE sebesar 0.0027542 dan nilai MSE sebesar15.6174.Darihasilpercobaan
t ersebut dapat disimpulkan bahwa hasil prediksi menggunakan met ode Fuzzy Tim e Series-Genetic Algorthm memiliki nilaierroryanglebihkecil
dibandingkan dengan hasil prediksi menggunakan metode Fuzzy Time Series.

Abs tract
However t he value of t he st ock price could be fluct uat e and uncert ain everyday, we need a model t o generat e accurat e predict ions t o get the
maximum benefit.
In t his final project will be used Fuzzy T ime Series and Fuzzy T ime Series-Genet ic Algort hm met hod t o predict st ock price. FuzzyTimeSeries
will generat e int erval wit h t he same int erval range and predict st ock price based on Fuzzy T ime Series rules and Genet icAlgorithmwillimprove
performance by searching t he largest fit ness value int erval in each it erat ion t o generat e t he result s of predict ionsbyusingrulesFuzzyTimeseries.
Bot h prediction, generated from Fuzzy time series and Fuzzy t ime series-genetic algorthm will be compared.
Result form t his Final project shows t hat predict ion generat ed by Fuzzy t ime series met hod has 0.017611 MAP E Value and48249.1993MSE
value. Meanwhile predict ion generat ed fr om fuzzy t ime series Genet ic Algorit hm met hod on scenario 1 has0.0028653MAPEvalueand15.7221
MSE value, on scenario 2 has 0.0028478 MAP E value and 16.3946 MSE value, on scenario 3 has 0.0027542 MAP E value and15.6174MSE
value. From t his experiment con cluded t hat predict ion based on fuzzy t ime series genet ic algorit hm has smaller error rat e t han theprediction
based on fuzzy t ime series method.

1. Pendahuluan

Untuk bisa memp rediksi suatu nilai dari data time series , nilai tersebut akan dimodelkan ke dalam dua metode. M etode p ertama
y ang digunakan adalah metode fuzzy time series ,dan metode kedua y ang digunakan adalah metode fuzzy time series y ang
diop timasi dengan metode algoritma genetika. Fuzzy time series memp uny ai kemamp uan reasoning y aitu kemamp uan untuk
merep resentasikan p ermasalahan ke dalam basis p engetahuan, sangat baik untuk memecahkan masalah untuk informasi data y ang
kurang p resisi, tidak lengkap dan memiliki kebenaran p arsial. Fuzzy time series p ertama kali dibuat oleh Song dan Chissom p ada
tahun 1993 [1]. Dengan menggunakan metode fuzzy time series ini diharap kan bisa menjadi metode y ang sangat baik dalam
p eny elesaian kasus memp rediksi nilai harga saham dan bisa mencap ai nilai keakurasian y ang op timal. Untuk bisa
mengop timalkan hasil y ang sudah didap atkan sebelumny a, digunakan metode y ang memp uny ai kemamp uan learning sep erti
metode algoritma genetika. Algortma Genetika (Genetic Algorithm) merup akan algoritma y ang merep resentasikan teori evolusi
dan seleksi alam. Oleh karena itu, metode Fuzzy Time Series dengan metode Algoritma Genetika merup akan metode y ang bisa
saling melengkap i dan dap at menjadi satu metode y ang sangat baik untuk memp rediksi data time series harga saham Bank
M andiri.

ISSN : 2355-9365

e-Proceeding of Engineering : Vol.3, No.3 December 2016 | Page 5373

2. Das ar Teori dan Perancangan

Berikut ini merupakan diagram alur s is tem fuzzy time series yang dibangun:

Gambar 3.3 Diagram Alur S istem Fuzzy Time S eries
Berikut ini adalah p enjelasan setiap langkah dari alur sistem fuzzy time series :
 Data latih
Data y ang digunakan sebagai data latih
 Mencari nilai data terkecil dan terbesar
Dari data latih tersebut dicari nilai data terkecil dan nilai terbesarny a
 Pembagian interval
Dari antara nilai terkecil dan terbesar tersebut dibentuk interval-interval sebany ak interval y ang sudah ditentukan
dengan jarak antar interval y ang sama.
 Fuzzyfi kasikan data history
setiap data history di masukan kedalam interval y ang sesuai dengan nilai y ang ada didalam data tersebut
 Mencari relasi fuzzy
Dari setiap data y ang sudah dimasukkan ke dalam interval interval sesuai, dicari seluruh relasi intervalny a y aitu
interval y g sesuai p ada data ke -i berelasi dengan interval p ada data ke-i+1
 Membuat kelompok relasi fuzzy
Setiap interval y ang memiliki satu atau lebih relasi dengan interval lain akan di simp an di dalam kelomp ok relasi fuzzy
dan dalam setiap relasi jika terdap at lebih dari satu relasi y ang sama, relasi tersebut hany a akan disimp an satu kali.
 Mendapatkan model

Dari relasi y ang terbentuk, akan dihasilkan model berdasarkan aturan relasi fuzzy time series y ang sudah dijelaskan
p ada sub bab 2.10.
 Data uji
Data y ang akan digunakan sebagai data uji.

ISSN : 2355-9365



e-Proceeding of Engineering : Vol.3, No.3 December 2016 | Page 5374

Mencari hasil prediksi
M odel y ang sudah didap atkan akan digunakan untuk mencari hasil p rediksi dari data uji.

Berikut ini merupakan diagram alur s is tem fuzzy time series-genetic algorthm yang dibangun:

Gambar 3.4 Diagram Alur S istem Fuzzy Time S eries Genetic Algorthm

Berikut ini adalah penjelasan setiap langkah dari alur sistem fuzzy time series-genetic
algorthm :














Data latih
Data y ang digunakan sebagai data latih
Mencari nilai data terkecil dan terbesar
Dari data latih tersebut dicari nilai data terkecil dan nilai terbesarny a
Pembangkitan kromosom-kromosom awal
Dari antara nilai terkecil dan terbesar tersebut akan dibentuk Kromosom-kromosom sebany ak jumlah y ang jumlah
kromosom y ang ditentukan dan berisikan interval interval y ang dibangkitkan secara acak dengan jarak antar interval

y ang berbeda beda sebagai p op ulasi awal.
Proses fuzzy time series dalam setiap kromosom
Dalam setiap kromosom akan dilakukan p roses fuzzy fikasi data history, p encarian relasi fuzzy , dan p embuatan
kelomp ok relasi fuzzy .
Mendapatkan model dalam setiap kromosom
Dari p roses fuzzy time series dalam setiap kromosom akan dicari model y ang memiliki nilai fitness terbesar.
Data uji
Data y ang akan digunakan sebagai data uji.
Mencari hasil prediksi dan nilai error dalam setiap kromosom
M odel y ang sudah didap atkan akan digunakan untuk mencari hasil p rediksi dan nilai error dalam setiap kromosom
dari data uji.
Evaluasi nilai fitness setiap kromosom
Dalam setiap kromosom akan dicari nilai fitness masing-masing.
Elitisme
Dari setiap kromosom akan dicari nilai fitness terbesar untuk di simp an dalam elitisme sebagai solusi. Nilai fitness
y ang disimp an akan selalu dibandingkan dengan nilai fitness y ang dihasilkan p ada iterasi selanjutny a samp ai kondisi
berhenti tercap ai. Jika nilai fitness y ang disimp an dalam elitisme lebih kecil dibandingkan dengan nilai fitness y ang
dihasilkan p ada iterasi selanjutny a maka nilai fitness y ang sudah di simp an dalam elitisme tersebut akan digantikan
dengan nilai fitness y ang dihasilkan p ada iterasi selanjutny a.

ISSN : 2355-9365












3

e-Proceeding of Engineering : Vol.3, No.3 December 2016 | Page 5375

Proses seleksi orang tua
Dari setiap kromosom y ang terbentuk akan dilakukan p roses seleksi orang tua menggunakan roulette wheel.
Proses reproduksi

Dari setiap kromosom y ang terp ilih menjadi orang t ua akan dilakukan p roses rep roduksi y aitu p roses p indah silang
dan mutasi untuk menghasilkan kromosom-kromosom baru.
Populasi Baru
Pop ulasi baru y ang berisikan kromosom-kromosom baru akan terbentuk dari hasil p roses rep roduksi.
S eleksi S urvivor
Pop ulasi baru y ang sudah terbentuk akan dilakukan p roses seleksi survivor dengan melakukan p erulangan ke p roses
fuzzy time series dalam setiap kromosom.
Kondisi berhenti
Perulangan akan terus dilakukan hingga iterasi mencap ai jumlah kromosom y ang di tentukan.
Individu terbaik
Dari setiap iterasi y ang sudah dilakukan, model y ang akan dip ilih menjadi solusi diambil dari model y ang disimp an
dalam p roses elitisme
Hasil prediksi
M odel y ang akan digunakan untuk mencari hasil p rediksi adalah model y ang disimp an dalam p roses elitisme setelah
kondisi berhenti tercap ai.

Uji Coba dan Analis a
Berikut adalah p erbandingan hasil p rediksi dengan metode fuzzy time series (FTS)
dan fuzzy time series genetic algorthm (FTSGA) dalam setiap skenario:
Tabel 4.12 Hasil Perbandingan Nilai Error

M APE

M SE

Fuzzy Time Series (FTS)

0.017611

48249.1993

Fuzzy Time Series Genetic
Algorthm (FTSGA)
Skenario 1

0.0028653

15.7221

Fuzzy Time Series Genetic
Algorthm (FTSGA)

Skenario 2

0.0028478

16.3946

Fuzzy Time Series Genetic
Algorthm (FTSGA)
Skenario 3

0.0027542

15.6174

Dari tabel diatas terlihat bahwa metode fuzzy time series genetic algorthm dalam setiap skenariony a memiliki nilai error
y ang lebih kecil dibandingkan dengan metode fuzzy time series, hasil p rediksi y ang dihasilkan dari metode fuzzy time series
genetic algorthm p ada skenario 1 memp uny ai nilai error y ang lebih kecil dibandingkan dengan hasil dari metode fuzzy time
series dan metode fuzzy time series genetic algorthm p ada skenario 2, kemudian hasil p rediksi y ang dihasilkan dari metode
fuzzy time series genetic algorthm p ada skenario 3 memp uny ai nilai error y ang p aling kecil dibandingkan dengan hasil dari
metode fuzzy time series dan hasil dari metode fuzzy time series genetic algorthm p ada skenario 1 dan skenario 2. Dengan

melihat p erbandingan ini, maka dalam p enelitian ini metode fuzzy time series genetic algorthm adalah metode y ang lebih
baik dalam memp rediksi harga saham dibandingkan dengan metode fuzzy time series dan dalam p enelitian ini semakin
bany ak jumlah generasi y ang dievaluasi p ada metode fuzzy time series genetic algorthm belum tentu menghasilkan nilai
error y ang lebih kecil.

ISSN : 2355-9365

e-Proceeding of Engineering : Vol.3, No.3 December 2016 | Page 5376

4. Kes impulan dan Saran
Berdasarkan analisis terhadap hasil p engujian y ang telah dilakukan, p eneltitian tugas akhir ini memiliki beberap a
kesimp ulan, y aitu:
1. Dalam p enelitian ini, jarak selisih antar interval y ang dihasilkan melalui p roses metode fuzzy time series selalu sama
satu sama lain, dan dalam p eneletian ini p ada p roses metode fuzzy time series-genetic algorthm, fungsi dari algoritma
genetika adalah untuk mencari jarak interval y ang bisa menghasilkan hasil p rediksi y ang p aling mendekati dengan data
aktual.
2. Berdasarkan hasil y ang didap atkan, hasil p rediksi dengan menggunakan metode fuzzy time series-algoritma genetika
memp uny ai nilai error y ang lebih kecil dibandingkan dengan hasil p rediksi dengan menggunakan metode fuzzy time
series.

3.

Berdasarkan hasil y ang didap atkan p ada p enelitian ini, nilai error terendah y ang dihasilkan, didap at melalui metode
fuzzy time series genetic algorthm p ada skenario ke tiga y aitu dengan menggunakan generasi y ang di evaluasi sebany ak
1000 dan menghasilkan nilai MAPE sebesar 0.0027542 dan MSE sebesar 15.6174.

Setelah p roses p embuatan p rogram ini selesai, p enulis menemukan beberap a saran untuk mendap atkan hasil y ang lebih
op timal dengan menggunakan metode metode fuzzy time series dan fuzzy time series genetic algorthm, y aitu:
1. Untuk mendap atkan hasil p rediksi menggunakan fuzzy time series - algoritma genetika dengan p roses y ang lebih cep at,
jumlah kromosom dan jumlah generasi y ang dibangkitkan diatur sesedikit mungkin.
2. Penelitian ini dap at dikembangkan dengan menambahkan metode lain untuk mendap atkan hasil p rediksi y ang lebih
op timal lagi.

ISSN : 2355-9365

e-Proceeding of Engineering : Vol.3, No.3 December 2016 | Page 5377

Daftar Pus taka
1.

QiSen Cai, Defu Zhang, Bo Wu, St ehp en C.H.Leung. 2013. A Novel Stock Forecasting Model Based on Fuzzy Time Series
and Genetic Algorithm. Dep artment of Comp uter Science, Xiamen University ,china. Dep artment of M anagement Sciences,
City University of Hongkong,Hongkong.

2.

Haneen Al-Wazan, Kais Ibraheem, dan Abdul-Ghafoor Salim. 2013. A Hybrid Algorithm to forecast Enrolment Based on
Genetic Algorithms and Fuzzy Time Series. Dep artment of M athematics, M osul University , Iraq.

3.

Suy anto. 2008. Artificial Intelligence. Bandung: Informatika.

4.
5.

Suy anto. 2010. Soft Computing: Membangun Mesin Ber-IQ Tinggi. Bandung: Informatika.
Rahmawati, Nurfika Esti. 2012. Prediksi Data Time Series Menggunakan Fuzzy Inference System dan Particle Swarm
Optimization (Studi Kasus: Prediksi Harga Emas). Institut Teknologi Telkom, Bandung.
Bursa Efek Indonesia, “IDX,” [Online]. Available: http ://www.idx.co.id/id-id/beranda/informasi/bagiinvestor/saham.asp x.
[Diakses 28 10 2014].
“Rep ository
Universitas
Sumatra
Utara
:
Saham,”
[Online].
Available:
http ://rep ository.usu.ac.id/bitstream/123456789/27690/4/Chap ter%20II.p df. [Diakses 28 10 2014].
Render, B., Stair Jr., R.M . dan Hanna, M .E., 2003, Render, B., Stair Jr., R.M . dan Hanna, M .E., 2003, Quantitative Analy sis
for M anagement, 8th edition, Pearson Educat ion, Inc., New Jersey .
Pemodelan Dasar Sistem Fuzzy http ://socs.binus.ac.id/2012/03/02/p emodelan-dasar-sistem-fuzzy /, diakses 29 Oktober
2014.
Seng Hansun. 2012. Peramalan Data IHSG M enggunakan Fuzzy Time Series. Universitas M ultimedia Nusantara, Gading
Serp ong.
Farida Hardaningrum. Diktat Statistika Teknik. Universitas Narotama, Surabay a.
Tenay a, Narka I.M .2009. Diklat Kuliah Ekonomitrika.Universitas Uday ana: Bali.
Jens Runi Poulsen. 2009. Fuzzy Time Series Forecasting. Aalborg University Esbjerg.
Entin,
“Kecerdasan
Buatan:
Bab
7
Algoritma
Genetika,
”
[Online].
Available:
http ://entin.lecturer.p ens.ac.id/Kecerdasan%20Buatan/Buku/Bab%207%20Algoritma%20Genetika.p df. [Diakses 18 06
2015].

6.
7.
8.
9.
10.
11.
12.
13.
14.