Peramalan Harga Saham Menggunakan Support Vector Regression Dengan Algoritme Genetika

  Vol. 2, No. 1, Januari 2018, hlm. 209-216 http://j-ptiik.ub.ac.id

  

Peramalan Harga Saham Menggunakan Support Vector Regression Dengan

₁ Algoritme Genetika _{2 3} Nanda Agung Putra , Budi Darma Setiawan , Putra Pandu Adikara

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

  1

  2

  3 Email: nandooo1412@gmail.com, s.budidarma@ub.ac.id, adikara.putra@ub.ac.id

Abstrak

  Saham merupakan bukti investasi ke perusahaan yang mana pemegang saham berhak untuk mengklaim aset dan keuntungan perusahaan. Pemegang saham dapat memperoleh keuntungan seperti pembagian dividen dan menjual saham dengan nilai yang lebih tinggi (capital gain). Pemegang saham perlu berhati-hati dalam mengolah sahamnya karena harga saham yang terus berubah. Pemegang saham biasanya memantau pergerakan harga saham dan menganalisanya dengan cara melakukan peramalan. Support Vector Regression (SVR) merupakan metode peramalan yang handal dalam meramalkan data yang linier dan non linier. SVR juga handal dalam membuat model yang pas yaitu tidak overfit dan underfit. SVR juga memiliki kelemahan yaitu kinerja SVR sangat bergantung terhadap parameter di dalamnya. Menentukan nilai parameter yang tepat merupakan hal yang sangat penting. Salah satu algoritme optimasi yang handal adalah algoritme genetika. Algoritme genetika digunakan untuk menentukan parameter SVR yang tepat sehingga mampu menghasilkan peramalan yang baik. SVR yang dioptimasi dengan algoritme genetika mampu menghasilkan peramalan yang bagus. Hasil pengujian menunjukkan nilai kesalahan/MAPE yang diperoleh adalah 0,165% dibandingkan hanya dengan menggunakan SVR saja yaitu 1,612% dengan parameter terbaik antara lain ukuran populasi 50, banyaknya generasi 200, tingkat crossover 0,4, tingkat mutasi 0,6 , rentang

  nilai sigma 0,5-1 , rentang nilai epsilon 10 -10 , rentang nilai C 0,01-5, dan rentang nilai gamma 10

• 7 -3
• 5
• 3 10 .

  Kata kunci Saham, SVR, Algoritme Genetika, MAPE

  :

  

Abstract

Stock is a proof of investing in a corporation and stock holders have the right to claim part of

corporation’s earning and assets. Stock holders can gain a lot ot of benefit such receiving dividens

and selling their stocks with higher value (capital gain). Stock holders need to be careful to manage

their assets because stock prices keep changing over time. Stock holders usually monitor stock prices

change and analyze them by forecasting. Support Vector Regression (SVR) is one of forecasting

methods that performs well in both linear and non linear data. SVR can obtained a fitted model that is

neither overfit nor underfit. However SVR has one drawback. The performance of SVR is greatly

affected by its parameter. So finding the right parameter value on SVR is needed to gain a good

forecasting result. One of optimization algorithms is Genetic Algorithm. Genetic Algorithm is used in

order to get the right value of SVR parameter. SVR that is optimized by Genetic Algorithm is capable

of getting a good result in forecasting. The test shows error rate/MAPE of forecasting is 0.165%

which is smaller than using SVR which is 1.612% with best parameters such as population size 50,

• _{-7 -3}

  generation 200, crossover rate 0.4, mutation rate 0.6, range of sigma 0.5-1, range of epsilon 10 -10 ,

  _{-5 -3} range of C 0.001-5, and range of gamma 10 -10 .

  Keywords : Stock, SVR, Genetic Algorithm, MAPE

  perusahaan yang nantinya digunakan oleh 1.

   PENDAHULUAN

  perusahaan dalam menjalankan bisnis dan Saham adalah tanda bukti kepemilikan kegiatan operasionalnya (Dalton, 2001). suatu perusahaan. Saham juga merupakan bukti

  Dengan memiliki saham, pemegang saham investasi atas modal/pendanaan terhadap suatu memiliki hak untuk mengklaim atas laba dan

  Fakultas Ilmu Komputer Universitas Brawijaya

209

  Saham adalah sebuah bukti bahwa seorang investor menginvestasikan dana kepada suatu perusahaan. Dana yang berasal dari penerbitan saham akan digunakan oleh perusahaan untuk kegiatan operasionalnya. Kinerja perusahaan dapat dinilai dengan banyaknya saham yang dimiliki para investor. Kinerja perusahaan

  oleh Sari (2009). Penelitian yang dilakukan bertujuan untuk memprediksi bonus tahunan karyawan berdasarkan kinerja. Kriteria yang digunakan dalam menilai kinerja karyawan adalah produktifitas, inisiatif, interpersonal

  2.1. Saham

  2. Tinjauan Pustaka

  Berdasarkan permasalahan yang telah dijelaskan, dilakukan penelitian untuk meramalkan harga saham menggunakan SVR yang dioptimasi dengan algoritme genetika.

  Kinerja SVR sangat bergantung terhadap beberapa parameter di dalamnya. Menentukan parameter yang optimal dalam SVR merupakan hal yang sangat penting. Untuk itu diperlukan sebuah metode pengoptimalan yang handal agar mampu memperoleh parameter yang optimal dalam SVR sehingga hasil ramalan yang diperoleh menjadi lebih baik. Salah satu metode pengoptimalan yang handal adalah Algoritma Genetika. Hal ini dibuktikan dalam penelitian yang dilakukan oleh Ghorbani, dkk (2016). Penelitian bertujuan untuk memprediksi pengendapan asphaltin menggunakan SVR dengan algoritma genetika. Hasil penelitian menunjukkan bahwa SVR dengan algoritma genetika mempu memberikan performa dan hasil ramalan yang baik yaitu dengan nilai kesalahan Root Mean Square Error (RMSE) sebesar 0,1 – 0,22. Penelitian yang dilakukan Yuan (2012) mencoba untuk membandingkan metode Support Vector Regression

  (MAD) yang didapatkan yaitu sebesar 8,091x10

  Mean Absolute Deviation

  kerjasama. Metode SVR mampu memberikan hasil yang baik. Hal ini dibuktikan dengan nilai kesalahan Mean Squared Error (MSE) dan

  skill , kualitas, job knowledge, kemandirian dan

  Regression adalah penelitian yang dilakukan

• – Algoritme genetika dengan metode lain. Hasil yang diperoleh dalam penelitian menunjukkan bahwa SVR-GA mampu memberikan hasil yang lebih baik daripada metode Least Mean Square, Backpropagation dan SVR.

  salah satu metode dalam meramalkan data secara non linier. Dasar dari metode ini adalah mengubah data ke dalam dimensi yang lebih tinggi berdasarkan fungsi tertentu (Christianini dan Taylor, 2000). Salah satu penelitian yang menggunakan metode Support Vector

  Support Vector Regression (SVR) adalah

  saham yang diprediksi adalah harga saham Nokia dan Zenith Bank. Hasil dari penelitian menunjukkan metode ARIMA bekerja dengan baik dalam peramalan jangka pendek. Kelemahan dari metode ARIMA adalah buruk dalam memprediksi data yang memiliki titik balik dan proses identifikasi model yang benar sulit dipahami dan biasanya mahal dalam komputasi serta sangat bergantung terhadap kemampuan dan pengalaman peramal.

  Auto Regressive Integrated Moving Average (ARIMA). Harga

  Untuk meminimalisir kesalahan dalam melakukan peramalan dibutuhkan sebuah metode yang menghasilkan hasil peramalan yang mendekati hasil aktual. Penelitian mengenai peramalan harga saham pernah dilakukan sebelumnya oleh Ariyo, dkk (2014) menggunakan metode

  Fluktuasi harga saham yang tidak mudah ditebak mengharuskan investor untuk berhati- hati dalam mengolah saham. Investor biasanya memantau pergerakan harga saham dan menganalisisnya. Salah satu strategi investasi adalah strategi berdasarkan pertumbuhan. Strategi ini diaplikasikan dengan meramalkan harga saham pada masa depan berdasarkan data pada masa lampau. Apabila peramalan tepat maka investor mendapatkan keuntungan melalui capital gain. Apabila peramalan tidak tepat akan mengakibatkan terjebaknya investor dalam anomaly momentum atau pergerakan harga saham yang selalu naik/turun (Sina, 2016).

  Investasi saham tidak lepas dari risiko. Terdapat 2 jenis risiko yang perlu diperhatikan yaitu risiko sistematik dan risiko tidak sistematik. Risiko sistematik adalah risiko yang terjadi dalam pasar. Risiko tidak sistematik adalah risiko khusus yang terjadi dalam perusahaan. Dampak kedua risiko tersebut adalah fluktuasi harga saham dan perusahaan dapat mengalami kebangkrutan sehingga pemegang saham tidak mendapatkan keuntungan (Samsul, 2006).

  aset perusahaan. Beberapa keuntungan yang didapat dengan memiliki saham adalah pembagian keuntungan (dividen) dari perusahaan dan menjual kembali saham dengan nilai yang lebih besar (capital gain) (Darmadji dan Fakhruddin, 2001).

• 4 dan 0,0248.

tinggi apabila investor memiiki banyak saham, ||x i -x j || merupakan jarak euclidean dan σ dan sebaliknya (Azis, Mintarti dan Nadir, merupakan parameter bebas. 2015).

  Sequential learning diajukan untuk ∗ menemukan nilai dan dengan lebih cepat.

  Karakteristik yang dimiliki saham antara Langkah-langkah sequential learning adalah lain: (1) limited risk, tanggung jawab pemegang sebagai berikut: saham hanya sebatas jumlah saham yang

  ∗

  a. dan sebanyak Inisialisasi variabel dimiliki, (2) ultimate control, fokus dan sasaran data. perusahaan secara kolektif ditentukan oleh para b.

  Hitung matriks Hessian (R) dengan pemegang saham, (3) residual claim, menjadi Persamaan 3. pihak terakhir dalam pembagian keuntungan

  2

  (3) [ ] = ( , x) + apabila perusahaan dibubarkan (likuidasi)

  Keterangan: (Dwimulyani, 2008). Selain itu karakteristik

  R ij = matriks Hessian lain dari saham adalah mendapatkan dividen c.

  Untuk setiap data latih, i= 1,2,...,n selama perusahaan mengalami keuntungan dan lakukan Persamaan 4-8. mampu memindahkan kepemilikan atas

  ∗

  (4)

  = − ∑ ( − ) =1 sahamnya (Fakhruddin dan Andianto, 2001).

• i = min{max[γ(E i i }

  (5)

  δα ε),-α i ] ,C-α

2.2. Support Vector Regression

• Support Vector Machine (SVM) pada

  (6)

  i i i ] ,C-α i δα =min{ max[γ(-E ε),-α }

  ∗ ∗ ∗

• (7) awalnya dikembangkan untuk mengatasi = masalah klasifikasi namun dalam

  =

• (8)

  perkermbangannya SVM juga mampu Keterangan: mengatasi masalah regresi. SVM yang mampu mengatasi masalah regresi disebut Support

  E i = nilai error ke-i

  Vector Regression (SVR). SVR

  y i = nilai aktualdata ke-i mempertahankan fitur utama dalam SVM yang merupakan ciri dari algoritme batas maksimal

• i , δα = perubahan nilai α

  δα

  i i dan α i

  (Chen, Lu, Yang dan Li, 2004). SVR bertujuan ε = epsilon untuk membuat garis pemisah yang dekat dengan sebanyak-banyaknya data dan

  C = kompleksitas memperkecil jarak antara garis pemisah dan γ= laju pembelajaran data.

  SVR tidak hanya mampu mengatasi d.

  Proses dapat dihentikan apabila sudah masalah dengan data linier namun mampu mencapai iterasi maksimum atau

  ∗ mengatasi data nyata yang bersifat non linier.

  | | < dan | | < . Pada data non linier, SVR mengubah vektor

  Apabila salah satu syarat belum

  input

  ke dimensi yang lebih tinggi dengan terpenuhi maka ulangi langkah c. menggunakan fungsi kernel. SVR non linear

  Untuk mengetahui seberapa baik kinerja dapat diformulasikan pada Persamaan 1. SVR maka diperlukan cara untuk mengevaluasi

  ∗

  2 (1)

  ( ) = ∑ ( − , x) + ) =1 ) ( (

  hasil peramalan. Salah satu cara evaluasi

  ∗

  kinerja SVR adalah menggunakan Mean dan merupakan variabel Lagrange,

  Absolute Percentage Error

  (MAPE). MAPE K(x i ,x) merupakan fungsi kernel dan

  λ dapat dibangkitkan dengan Persamaan 9.

  .

  merupakan variabel skalar

  100 −

  (9) = ∑

  | |

  =1

  Fungsi kernel bertujuan untuk memetakan data yang awalnya non linier ke dalam ruang S adalah hasil aktual, R adalah hasil peramalan fitur. Dengan menggunakan fungsi kernel dan n adalah banyaknya data. mampu mendeteksi hubungan linear dalam

  2.3. Algoritme Genetika

  ruang fitur tersebut. Fungsi kernel yang sering digunakan dan dipakai dalam penelitian ini Algoritme Genetika merupakan algoritme adalah Radial Basis Function (RBF) yang dapat yang terinspirasi dari kinerja gen dan proses diformulasikan pada Persamaan 2. seleksi alam. Algoritme genetika biasanya

  2 −‖ − ‖ digunakan untuk menghasilkan solusi yang

  (2) ( , ) = ( )

  2

  2 terbaik dari masalah pencarian dan optimisasi. Algoritme genetika adalah algoritme iteratif yang biasanya beroperasi dalam populasi yang konstan dan dieksekusi berdasarkan urutan tertentu. Algoritme genetika diawali dengan proses pembentukan populasi yang diinisialisasi secara acak. Kromosom terdiri dari 4 gen berupa bilangan riil yang merupakan parameter SVR yang akan dioptimasi. Parameter tersebut antara lain sigma (σ) yang mempengaruhi Gaussian kernel yang terbentuk, epsilon (ε) yang mempengaruhi batas dimana kesalahan klasifikasi dapat diabaikan, C yang mempengaruhi nilai penalti yang diberikan ketika terjadi kesalahan klasifikasi dan gamma (ɣ) yang mempengaruhi laju pembelajaran. Proses selanjutnya yaitu proses pembentukan individu baru yang didapatkan dengan melakukan crossover dan mutasi. Contoh representasi kromosom dapat dilihat pada Tabel 1.

  Tabel 1 Contoh Representasi Kromosom Individu σ ε C ɣ I1 0,4544 14,530 1,091x10

• ^-05 0,062 I2 0,6938 68,024 8,657x10 ^-05

  mudah dalam implementasi namun mampu menjaga keberagaman individu dalam satu generasi. Mutasi ini dapat dibangkitkan dengan Persamaan 12.

  Proses SVR yang dioptimasi dengan Algoritme Genetika diawali dengan Algoritme Genetika. Algoritme Genetika digunakan untuk memperoleh parameter SVR yang optimal.

  3.1. Model Algoritme Genetika-SVR

  3. MODEL EKSPERIMEN

  Proses algoritme genetika dapat dihentikan apabila mencapai generasi maksimum, telah menghasilkan solusi yang bisa dihandalkan atau kondisi berhenti yang lebih canggih yang mampu mengindikasikan adanya konvergensi secara prematur (Affenzeler, Wagner, Winkler dan Beham, 2009).

  (13) Proses selanjutnya yaitu proses seleksi. Seleksi bertujuan untuk menyeleksi individu- individu yang akan masuk ke generasi selanjutnya. Metode seleksi yang digunakan dalam penelitian adalah elitsm. Metode ini bekerja dengan mengurutkan semua individu berdasarkan fitness-nya dari yang terbesar hingga terkecil kemudian meloloskan individu- individu dengan fitness tertinggi sejumlah populasi ke generasi berikutnya. Kelebihan dari metode seleksi ini tetap menjaga agar individu terbaik akan selalu lolos.

  1 1+

  =

  Proses selanjutnya yaitu evaluasi. Evaluasi bertujuan untuk mengetahui seberapa baik kualitas dari solusi yang ditemukan. Proses evaluasi menggunakan fungsi fitness yang dapat dibangkitkan dengan Persamaan 13.

  0,6714 65,537 8,41x10 ^-05 0,001

  Tabel 3 Contoh Hasil Mutasi Individu σ ε C ɣ A2

  Contoh hasil mutasi dengan nilai r sebesar - 0,0248 dapat dilihat pada Tabel 3.

  = + ( − ) (12) A merupakan individu anak, I merupakan individu induk dan r adalah bilangan acak.

  mutation . Kelebihan mutasi tersebut adalah

  0,003 Crossover merupakan operator genetika

  Proses menghasilkan keturunan juga mampu diperoleh dengan mutasi. Berbeda dengan crossover,mutasi hanya memerlukan 1 buah induk untuk menghasilkan keturunan. Mutasi bekerja dengan mengubah beberapa/semua gen dalam induk untuk menghasilkan keturunan. Metode mutasi yang digunakan dalam penelitian adalah random

  0,5741 41,277 4,87x10 ^-05 0,0325

  Tabel 2 Contoh Proses Crossover Individu σ ε C ɣ A1

  (11) A merupakan individu anak, I adalah individu induk dan α merupakan faktor skalar dengan rentang [-d,1+d]. Contoh hasil crossover dengan alpha sebesar 0,5 dapat dilihat pada Tabel 2.

  2 )

  2 = 2 + ( 1 −

  (10)

  1 = 1 + ( 2 − 1 )

  Crossover ini dapat dibangkitkan dengan Persamaan 10 dan 11.

  keturunan. Metode crossover tersebut dipilih karena mampu menghasilkan individu baru yang hampir sama dengan individu induk atau sedikit berbeda dengan individu induk.

  intermediate crossover untuk menghasilkan

  utama. Proses ini mengombinasikan kedua gen induk untuk mengasilkan sebuah keturunan. Pada penelitian digunakan metode extended

  Setelah proses Algoritme Genetika selesai dan mendapatkan parameter SVR yang optimal akan dilanjutkan ke proses SVR. SVR diawali dengan proses normalisasi data dan dilanjutkan ke proses pembelajaran dengan data latih. Proses pembelajaran akan menghasilkan model sedangkan data uji yang digunakan adalah regresi yang akan digunakan dalam melakukan harga saham pada periode waktu 2016. peramalan. Model regresi yang telah didapat 4. akan dicoba pada data uji untuk mengetahui PENGUJIAN DAN ANALISIS seberapa bagus model tersebut. Diagram alur

  Terdapat 8 pengujian yang dilakukan dalam proses Algoritme Genetika-SVR dapat dilihat penelitian. Pengujian yang dilakukan antara lain pada Gambar 1. jumlah populasi, banyaknya generasi, kombinasi rentang crossover dan rentang

  Mulai

  mutasi, rentang nilai SVR yang dioptimasi dan jumlah iterasi dalam SVR.

  Cr, mr,ukuran populasi, generasi, rentang parameter

  4.1. Pengujian dan Analisis Ukuran Populasi SVR

  Berdasarkan Gambar 2 dapat diketahui bahwa nilai MAPE cenderung menurun ketika

  Inisialisasi

  ukuran populasi semakin banyak. Ukuran populasi mempengaruhi seberapa banyak solusi

  For i=1 to generasi

  yang ditemukan. Populasi yang kecil akan menemukan sejumlah kecil solusi namun

  Crossover

  populasi yang besar akan menemukan lebih banyak solusi. Ukuran populasi yang terlampau

  Mutasi

  besar tidak akan meningkatkan akurasi solusi namun hanya menambah waktu komputasi.

  Evaluasi

  Dalam masalah ini ukuran populasi yang dipilih adalah 50.

  Seleksi _{2,772 2,779}

  3

  2 E i _{0,788 0,785 0,572 0,572 0,572 0,572 0,572 0,572}

  MAP

  1 Parameter SVR optimal

  10 20 30 40 50 60 70 80 90 100 Ukuran Populasi

  Normalisasi Data Gambar 2 Hasil Pengujian Ukuran Populasi

  Sequential Learning

  4.2. Pengujian dan Analisis Banyaknya Uji Model Regresi

  Generasi

  Berdasarkan Gambar 3 dapat diketahui

  Hasil Ramalan, MAPE

  bahwa nilai MAPE cenderung menurun ketika banyaknya generasi membesar. Generasi mempengaruhi seberapa lama proses Algoritme

  Selesai

  Genetika. Semakin besar nilai generasi semakin

  Gambar 1 Diagram Alur Algoritme Genetika-SVR

  lama banyaknya solusi yang ditemukan. Nilai

3.2. Data Penelitian generasi yang terlampau besar hanya akan

  menambah waktu komputasi tanpa Data yang digunakan dalam penelitian meningkatkan akurasi solusi yang ditemukan. adalah data harga saham Bank BRI pada

  Banyaknya generasi yang dipilih dalam periode waktu 2015-2016 yang diambil dari masalah ini adalah 200 karena proses algoritme

  Google Finance. Data terdiri dari 4 fitur yaitu genetika sudah mengalami konvergensi.

  open , close, highest dan lowest namun fitur

  yang dipakai dalam penelitian adalah rata-rata dari 4 fitur tersebut.

  Data latih yang digunakan dalam penelitian adalah harga saham pada periode waktu 2015

  0,918 ^{8,9538,9538,9538,9539,3099,309}

  1

  10

  8 _{4,5444,544 0,619 0,633} E 0,8 _{0,581 0,579 0,577 0,577 0,575 0,575 0,575 0,575 0,575}

  6 E ^1,6271,628

  4 0,6 ^{0,57 0,573} MAP

  2 0,4 MAP

  1

  5 0,2

  .1 .1 .1 -1 .1 -1 -1 -5 -1

  01 .0 1 5 5-

• 0 -0 -0 -0 .1 .1 .5 0.

  1 -0

  5 1 .0 5 .0 0. 1-

  5 .0 .0

  25

  50

  75 .0 .0

  00 100 125 150 175 200 225 250 500 .0 1 0.

  Banyaknya Generasi Rentang Nilai Sigma

Gambar 3 Hasil Pengujian Banyaknya Generasi Gambar 5 Hasil Pengujian Rentang Nilai Sigma

  4.3. Pengujian dan Analisis Kombinasi

  4.5. Pengujian dan Analisis Rentang Nilai Tingkat Crossover dan Mutasi Epsilon _{0,596 1,915} 0,6

  2,5 1,697 _1,329

  2 E 0,59 _0,5740,574 1,5 _{0,572 0,569 0,57 0,572 0,57 0,571} E _{0,5710,5730,570,5710,5710,5720,5720,572 AP}

  0,58

  1 M 0,5 0,57 MAP

  0,56 0,55 mr 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 cr 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

  Rentang Nilai Epsilon Kombinasi tingkar crossover dan mutasi

  

Gambar 4 Hasil Pengujian Kombinasi Tingkat Gambar 6 Hasil Pengujian Rentang Nilai Epsilon

Crossover dan Mutasi

  Berdasarkan Gambar 6 dapat diketahui Berdasarkan Gambar 4 dapat diketahui bahwa nilai epsilon yang kecil akan bahwa tingkat crossover dan mutasi cenderung menghasilkan nilai MAPE yang bagus. Epsilon stabil. Tingkat crossover mengontrol mempengaruhi batas kesalahan dapat diabaikan. kemampuan Algoritme Genetika dalam hal

  Nilai epsilon yang kecil menunjukkan batas eksploitasi atau proses mencari solusi terbaik kesalahan yang ditoleransi kecil sehingga menggunakan individu yang sudah diketahui proses pembelajaran menjadi lebih lama untuk agar mencapai solusi lokal yang optimal. menemukan model yang cocok. Nilai rentang

  Tingkat mutasi mengontrol kecepatan epsilon yang dipilih dalam masalah ini adalah

• 7

  Algoritme Genetika dalam hal eksplorasi area 10 -0.001 yang baru. Nilai tingkat crossover dan mutasi

  4.6. Pengujian dan Analisis Rentang Nilai C

  yang dipilih dalam masalah ini adalah 0,4 dan 0,6.

  1,52

  2 E 1,5

  4.4. Pengujian dan Analisis Rentang Nilai 0,5710,5710,5690,570,5710,5710,57

  1 Sigma MAP 0,5

  Berdasarkan Gambar 5 dapat diketahui bahwa rentang nilai sigma yang kecil menghasilkan nilai MAPE yang bagus. Sigma mempengaruhi bagaimana pemetaan data

  Rentang Nilai C

  terbentuk. Nilai sigma yang kecil akan memetakan data secara tajam. Nilai sigma yang

  Gambar 7 Hasil Pengujian Rentang Nilai C

  besar akan memetakan data secara data. Nilai rentang sigma yang dipilih dalam masalah ini Berdasarkan Gambar 7 dapat diketahui adalah 0.5-1. bahwa semakin besar nilai C maka semakin bagus nilai MAPE yang dihasilkan. Nilai C berpengaruh terhadap penalti yang diberikan ketika terjadi kesalahan dalam klasifikasi. Nilai rentang C yang dipilih dalam masalah ini

  2 MAP E Iterasi

  5 MAP E Rentang Nilai Gamma

  Jurnal Informasi , Perpajakan, Akuntansi dan Keuangan Publik , 3(1).

  Fakhruddin, M. dan Andianto, S., 2001.

  Perangkat dan Model Analisis Investasi di Pasar Modal . Jakarta: PT. Elex Media

  Komputindo. Ghorbani, M., Zargar, G. dan Jazayeri-rad, H.,

  2016. Prediction of asphaltene precipitation using support vector regression tuned with genetic algorithms. Petroleum 2, [daring] 2(3), hal.301

  1

  2

  3

  4

  0,431 _{0,323 0,276} 0,247 0,226 0,210 0,1960,184 _{0,174 0,165}

  Pasar Modal di Indonesia . Salemba Empat.

  0,000 0,100 0,200 0,300 0,400 0,500

  200 400 600 800

  1

  12

  1

  4

  1

  6

  1

  8

  Dwimulyani, S., 2008. Analisis Pemecahan Saham (Stock Split): Dampaknya Terhadap Likuidiyas Perdagangan Saham dan Pendapatan Perusahaan Publik Indonesia.

  Darmadji, T. dan Fakhruddin, H.M., 2001.

  adalah 0.01-5

  Genetic Programming: Modern Concepts and Practical Applications . United States

  4.7. Pengujian dan Analisis Rentang Nilai Gamma

  Berdasarkan Gambar 8 dapat diketahui bahwa nilai rentang gamma dengan rentang 0.00001-0.001 menghasilkan nilai MAPE terendah. Nilai gamma berpengaruh terhadap laju pembelajaran. Nilai gamma yang kecil mengakibatkan laju pembelajaran berjalan pelan dan konvergensi lama dicapai. Nilai gamma yang besar mengakibatkan laju pembelajaran berjalan dengan cepat dan memungkinkan nilai minimum tidak mampu didapatkan.

  Gambar 8 Hasil Pengujian Rentang Nilai Gamma

  4.8. Pengujian dan Analisis Jumlah Iterasi SVR

  Berdasarkan Gambar 9 dapat diketahui bahwa nilai MAPE semakin turun dengan meningkatnya iterasi. Iterasi mempengaruhi lama proses pembelajaran dilakukan. Semakin besar iterasi maka proses pembelajaran berlangsung lama sehingga mampu menghasilkan model yang lebih tepat. Nilai iterasi yang dipilih dalam masalah ini adalah 2000.

  Gambar 9 Hasil Pengujian Jumlah Iterasi SVR 5.

   KESIMPULAN

  Berdasarkan hasil yang diperoleh dalam penelitian peramalan harga saham dengan menggunakan SVR dan algoritme genetika mampu meramalkan harga saham secara tepat dengan nilai kesalahan/MAPE yang kecil yaitu 0,165% dibandingkan dengan hasil peramalan menggunakan SVR saja yaitu 1,612%.

  6. DAFTAR PUSTAKA

  Affenzeler, M., Wagner, S., Winkler, S. dan Beham, A., 2009. Genetic Algorithm and

  of America: CRC Press. Ariyo, A.A., Adewumi, A.O. dan Ayo, C.K.,

  WOrks . 3 ed. United States of America: New York Institute of Finance.

  2014. Stock Price Prediction Using the ARIMA Model. 2014 UKSim-AMSS 16th

  International Conference on Computer Modelling and Simulation , [daring]

  hal.106 –112. Tersedia pada: <http://ieeexplore.ieee.org/document/70460 47/>.

  Azis, M., Mintarti, S. dan Nadir, M., 2015.

  manajemen Investasi Fundamental, Teknikal, Perilaku Investor dan Return Saham . Deepublish.

  Chen, N., Lu, W., Yang, J. dan Li, G., 2004.

  Support Vector Machine in Chemistry .

  Singapore: World Scientific. Christianini, N. dan Taylor, J.S., 2000. An

  Introduction to Support Vector Machines and Other Kernel-based Learning Method .

  Cambridge: Cambridge University Press. Dalton, J.M., 2001. How The Stock Market

• –306. Tersedia pada: <http://dx.doi.org/10.1016/j.petlm.2016.05. 006>. ^{3,9 1,232 0,57 1,232 0,569 0,57 0,569 0,572 0,589}

Samsul, M., 2006. Pasa Modal & Manajemen Portofolio . Indonesia. Sari, D.P., 2009. Analisis Performansi Support

  Vector Regression Dalam Memprediksi Bonus Tahunan Karyawan. J@TI Undip,

  IV(1), hal.17 –26. Sina, P.G., 2016. Financial Contemplation Part 2 . Guepedia.

  Yuan, F.-C., 2012. Parameters Optimization Using Genetic Algorithms in Support Vector Regression for Sales Volume Forecasting. Applied Mathematics, 3(October), hal.1480 –1486.