SIDANG TUGAS AKHIR PERAMALAN INDEKS HARG

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:
 adalah upward harga penutupan
U
 adalah downward harga penutupan
D

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