PROYEK AKHIR MK SISTEM PAKAR SISTEM PAKA
PROYEK AKHIR –MK SISTEM PAKAR
SISTEM PAKAR PENENTUAN MARKET TIMING PADA PASAR SAHAM
INDONESIA MENGGUNAKAN METODE FUZZY SUGENO
(Studi kasus saham BBCA)
Grady Davinsyah 1) ,Bening Herwijayanti 2) ,Nindy Deka Nivani 3) ,Hidayatus “yafa’ah 4) , Arief
Andy Soebroto 5)
1)2)3)4)
Mahasiswa , 5)Dosen Pembimbing
Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya, Malang 65145, Indonesia
Email : gradyyo@gmail.com1),bening.herwijayanti@yaoo.com2),nindy.gea@gmail.com3),
syafaifa29@gmail.com4),ariefas@ub.ac.id5)
ABSTRAK
Setiap orang selalu mempunyai impian
untuk menjadi kaya, anggapan berhemat
dan menabung menjadi pemikiran
masyarakat yang sejalan dengan slogan
yang ada yaitu hemat pangkal kaya.
Padahal menurut statistic yang ada
dengan menabung di bank bunga yang
didapatkan berada dibawah presentase
laju inflasi yang ada di Indonesia, maka
dari itu salah satu upaya yang dapat
dilakukan adalah berinvestasi. Salah satu
dari sekian banyak instrument yang paling
terkenal adalah saham. Dari beberapa
data yang sudah ada jumlah investor di
Indonesia masih sangat sedikit hal ini
salah satunya disebabkan oleh tingginya
resiko dalam berinvestasi di pasar modal
(high risk high return) dan minimnya
pengetahuan calon investor tentang
bagaimana strategi menaklukan pasar
modal.
Sistem Pakar ini menggunakan metode
Fuzzy Sugeno. Pada metode fuzzy Sugeno
menghasilkan output berupa nilai yang
konstan dimana terdapat penggunaan
singleteon yang digunakan sebagai
sebuah
fungsi
keanggotaan
yang
konsekuen. Singleteon adalah sebuah
keanggotaan
fuzzy dengan fungsi
keanggotaan pada titik tertentu yang
mempunyai nilai 0 dan 1 di luar titik
tersebut. Metode ini dipilih karena
terdapat sinyal-sinyal jual maupun beli
seringkali bersifat fuzzy dan bukan
merupakan sebuah bilangan yang pasti.
Dimana penggunaan logika fuzzy telah
terbukti
mampu
memodelkan
permasalahan fuzzy di dunia nyata
sehingga
dapat
dilakukan
proses
komputasi oleh computer.
Maka dirancanglah sebuah system
pakar yang digunakan untuk menentukan
market timing dengan menggunakan
metode fuzzy sugeno yang dapat
memodelkan permasalahan fuzzy pada
dunia nyata dengan cukup baik.
Kata kunci: sistem pakar, saham, logika
fuzzy, fuzzy sugeno
ABSTRACT
Everyone always has a dream to become
rich , the assumption scrimping and saving
people thought to be in line with the
slogan that there is thrifty rich base . Yet
according to statistics there by saving
money in bank interest earned under the
percentage of inflation in Indonesia ,
therefore one attempts to do is invest .
One of the many instruments of the most
famous is the stock . From some of the
existing data the number of investors in
Indonesia is still very little this is one of
them due to the high risks involved in
investing in the stock market ( high risk
high return ) and lack of knowledge of
potential investors about how strategy to
conquer the capital markets .
This Expert System using Fuzzy
Sugeno method . On Sugeno fuzzy
methods generate output constant value
where there use singleteon used as a
consequent membership function .
Singleteon is a fuzzy membership with
membership function at a certain point
that has a value of 0 and 1 beyond that
point. This method was chosen because
there are signals sale or purchase are
often fuzzy and not a definite number .
Where the use of fuzzy logic has proven
able to model real-world problems of
fuzzy so do the computing process by
computer .
Then designed an expert system
that is used to determine market timing
by using fuzzy Sugeno fuzzy issues which
can model the real world quite well .
Keywords : expert system , stock , fuzzy
logic , fuzzy Sugeno
1.PENDAHULUAN
1.1 Latar Belakang
Menjadi kaya adalah impian
dari setiap orang, banyak yang
beranggapan bahwa agar menjadi kaya
harus berhemat dan harus bisa rajin
menabung. Pemikiran dari diatas ini
sejalan dengan sebuah slogan yang
ada di masyarakat, hemat pangkal
kaya dari kata tersebut bahwa semua
orang dapat menjadi orang yang kaya
apabila dapat berhemat. Padahal
statistik jelas menunjukkan bahwa
bunga
yang
diperoleh
ketika
menabung di bank (tabungan dan
deposito) berada di bawah prosentase
laju inflasi yang ada di Indonesia
(bareksa.2016). Saham menjadi begitu
terkenal di kalangan investor karena
tingginya
potensi
return
yang
ditawarkan, tetapi dunia investasi
saham
juga
penuh
dengan
ketidakpastian
atau
risiko
(Fardiansyah, 2002).
Pada bulan Februari 2016, jumlah
investor yang tercatat pada Bursa Efek
Indonesia (BEI) sebesar 468 ribu orang
(cnnindonesia,
2016),
Hampir
setengah juta orang telah menjadi
investor di bursa saham. Namun perlu
diingat bahwa keseluruhan jumlah
penduduk Indonesia ada sekitar 250
juta jiwa, Jika dibuat prosentasenya,
investor di BEI hanya sebesar 0,1872
persen. Dari fakta-fakta diatas, upaya
untuk mengurangi jumlah penduduk
miskin yang ada di Indonesia salah
satunya dapat dilakukan dengan
mendorong lebih banyak penduduk
untuk menjadi investor. Tantangan
selanjutnya adalah bagaimana investor
dapat secara konsisten mendapatkan
profit dari transaksinya di pasar
saham. Hal ini sangat sulit, karena
investor seniorpun masih mengalami
kerugian ketika bertransaksi di pasar
modal.
Dari sebuah permasalahan diatas
yang kemudian dirancang dengan
sebuah
sistem
pakar
yang
menggunakan suatu metode yaitu
metode fuzzy sugeno. Judul penelitian
ya g aka dilakuka adalah “iste
Pakar Penentuan Market Timing Pada
Pasar Saham Indonesia dengan
Metode Fuzzy “uge o . Metode fuzzy
sugeno dipilih karena sinyal-sinyal jual
maupun beli seringkali bersifat fuzzy
dan bukan merupakan sebuah
bilangan yang pasti. Dan logika fuzzy
telah terbukti mampu memodelkan
permasalahan fuzzy di dunia nyata
sehingga dapat dilakukan proses
komputasi oleh komputer. Data yang
digunakan dalam penelitian ini adalah
data saham Bank Central Asia (BBCA)
mulai 1 Januari 2013 hingga 31
Desember 2015.
1.2 Rumusan Masalah
1. Bagaimana perancangan Sistem
Pakar Penentuan Market Timing Pada
Pasar Saham Indonesia dengan
Metode Fuzzy Sugeno?
2. Bagaimana implementasi Sistem
Pakar Penentuan Market Timing Pada
Pasar Saham Indonesia dengan
Metode Fuzzy Sugeno?
3. Bagaimana
hasil
pengujian
terhadap Sistem Pakar Penentuan
Market Timing Pada Pasar Saham
Indonesia dengan Metode Fuzzy
Sugeno?
1.3 Batasan Masalah
1. Data yang digunakan dalam
penelitian ini adalah data harga close
saham Bank Central Asia (BBCA) sejak
tahun 2013 hingga tahun 2015.
2. Keluaran sistem yang dihasilkan
yaitu rekomendasi untuk membeli
atau menjual atau menahan portfolio
saham Bank Central Asia (BBCA) yang
dimiliki.
3. Parameter-parameter
yang
digunakan dibatasi pada harga open,
harga close, high, low, moving
average, exponential moving average,
dan relative strength index.
4.
Bahasa pemrograman
yang
digunakan PHP berbasis web.
1.4 Tujuan
Tujuan dari penelitian Sistem
Pakar Penentuan Market Timing Pada
Pasar Saham Indonesia Menggunakan
Metode Fuzzy Sugeno ini adalah untuk
membantu investor, baik yang masih
pemula ataupun yang telah senior, untuk
memaksimalkan potensi keuntungan
sekaligus
meminimalisir
potensi
kerugian.
2.METODELOGI PENELITIAN
2.1 Studi Literatur
Tahap studi literatur pada
penelitian ini adalah mempelajari
literatur dari beberapa informasi dan
pustaka
yang
berkaitan
dengan
pembuatan perangkat lunak Sistem
Pakar Penentuan Market Timing Pada
Pasar
Saham
Indonesia
dengan
Menggunakan Metode Fuzzy Sugeno.
Literatur diperoleh dari buku, internet,
jurnal, dan bimbingan oleh dosen
pembimbing. Adapun literatur yang
dipelajari tentang:
a.
b.
c.
d.
Kajian Pustaka
Sistem Pakar
Teori Fuzzy Sugeno
Teori tentang analisis teknikal saham
2.2 Pengumpulan Data
Pengumpulan data diperoleh
dari website yahoo finance dengan alamat
URL fi a ce.yahoo.co . Pe gu pula
data ini digunakan untuk mendukung
pembuatan
sistem
pakar
untuk
menentukan market timing. Data yang
diambil dari website merupakan data
Historical Prices BBCA (data history Bank
BCA), data ini diambil dari tanggal 1
Januari 2013 – 21 Desember 2015.
2.3 Analisis Kebutuhan
Analisa kebutuhan dilakukan
dengan menentukan kebutuhan apa saja
yang dibutuhkan dalam pembuatan
perangkat lunak Sistem Pakar Penentuan
Market Timing Pada Pasar Saham
Indonesia dengan Menggunakan Metode
Fuzzy Sugeno.
2.4 Perancangan
Lingkungan Konsultasi
Pengguna
Lingkungan Pengembangan
Basis
Pengetahuan(identifikasi
market timing dan nilai
parameter (Nilai
Close,RSI,MA/SMA,EMA
& MACD)
Harga
harian
BCA
Antarmuka
Fasiltas Penjelas
Hasil rekomendasi
(kemungkinan
menjual,membeli
saham )
Representasi
Pengetahua
n
Mesin Inferensi
Knowledge
Engineer
Blackboard
-Rencana
-Agenda
-Solusi
-Deskripsi
Akuisi Pengetahuan
Perbaikan
Pengetahuan
Pakar
Gambar 2.1 Arsitektur Sistem Pakar Penentuan Market Timing
merupakan berat dari aturan wi (firing
2.4.1 Proses Perhitungan Fuzzy Sugeno
Penarikan kesimpulan fuzzy, fuzzifikasi
strength). Sebagai contoh untuk aturan
input dan penerapan operator fuzzy pada
AND dengan inputan 1 = x dan input 2 = y,
metode ini sama dengan metode
maka firing strength adalah : wi =
Mamdani dimana perbedaan utama
AndMethod (F1(X), F2(Y)) dimana F1,2 (.)
Antara 2 metode ini terletak pada output
adalah membership function untuk input
membership function dimana dari metode
1 dan 2Fuzzy Sugeno Metode sistem
sugeno output berbentuk liner atau
inferensi fuzzy sugeno disebut juga
konstan. Aturan yang digunakan dalam
sebagai metode sistem inferensi TSK,
model fuzzy sugeno adalah sebagai
output dari sistem inferensi fuzzy
berikut:
dilakukan dalam 4 tahap:
IF Input 1 = x AND Input 2 = y THEN
Output is z = ax + by + c
Untuk model sugeno pada ordeNol, output level z adalah konstan
(a=b=c). output level Zi dari setiap aturan
Contoh Kasus Perhitungan Manual :
Misalkan investor ingin melakukan
investasi terhadap dana yang dimilikinya
tetapi ia ragu tindakan apa yang tepat
untuk menginvestasikan dana itu, dan
investor menyiapkan sebuah data
historical price dari tanggal 1 Januari 2013
– 18 Februari 2013. Maka apakah
keputusan yang tepat terhadap dana yang
dimilikinya?
Jawab :
Langkah awal yang harus dilakukan adalah
menyiapkan data yang dimiliki investor
yaitu dimulai dari tanggal 1 Januari 2013 –
18 Februari 2013, setelah data diperoleh
maka
lakukan
perhitungan
untuk
b. Perhitungan RSI
mendapatkan
nilai
parameter
seperti
dibawah ini:
dari
keempat
langkah-langkah
a. Menghitung MACD
Untuk perhitungan 12 HARI EMA
menggunakan persamaan 4.1 , sedangkan
untuk perhitungan 26 Hari EMA
menggunakan persamaan 4.2, dan untuk
memperoleh hasil MACD menggunakan
persamaan 4.3.
RS =
(
4
.
RSI = 100 - 100
1
c. Perhitungan SO )
= 1,2963
RS =
RSI = 100 –
= 56,452
Rumus dan tahapan lengkap untuk
mendapatkan nilai SO dapat dilihat pada
basis pengetahuan perhitungan SO.
d. Perhitungan OBV
Rumus dan tahapan lengkap untuk
mendapatkan nilai OBV dapat dilihat pada
basis pengetahuan perhitungan OBV.
Setelah nilai dari keempat parameter
diketahui maka lakukan perhitungan
menggunakan metode Fuzzy Inferensi
Sugeno untuk mendapatkan hasil market
timing berupa Jual, Beli, atau Tahan.
Perhitungannya dapat dilihat pada
tahapan berikut ini:
1. Langkah pertama yang dilakukan adalah
menghitung derajat keanggotaan masingmasing parameter pada market timing,
yaitu:
µ low (294,78) = -9,2391
a. MACD, terdiri atas 2 himpunan
fuzzy yaitu high dan low. Untuk
himpunan fuzzy low maka nilai
derajat keanggotaannnya dapat
ditentukan dengan menggunakan
persamaan (4.12), himpunan fuzzy
high
dengan
menggunakan
persamaan (4.13). Dari kalkulasi
yang sudah dilakukan nilai MACD
sebesar 294,78 sedangkan nilai dari
signal line sebesar 318,07maka
derajat keanggotaan pada masingmasing himpunan fuzzy adalah:
µ high (294,78) = 0,9
b. RSI, terdiri dari atas 3 himpunan
fuzzy yaitu low, medium, dan high.
Maka
nilai
dari
derajat
keanggotaannya untuk himpunan
fuzzy low dapat ditentukan dengan
menggunakan persamaan (4.14),
himpunan
fuzzy
medium
menggunakan persamaan (4.15),
dan
himpunan
fuzzy
high
menggunakan persamaan (4.16).
Apabila diketahui nilai RSI sebesar
56,452 maka derajat keanggotaan
pada masing-masing himpunan
fuzzy adalah :
µ High (56,452)
µ Low (56,452)
=
=
= 0
µ Medium (56,452) =
= 0,3226
=
= 0,6774
c. SO, terdiri dari tiga himpunan fuzzy
yaitu Low, Medium, High. Untuk
himpunana fuzzy Low maka nilai
dari derajat keanggotaannya dapat
ditentukan dengan menggunakan
persamaan (4.17), himpunan fuzzy
medium dapat ditentukan dengan
µ Low (79,48)
= 0
µ Medium (79,48) =
persamaan (4.18), dan himpunan
fuzzy high dapat ditentukan dengan
persamaan
(4.19).
Apabila
diketahui nilai SO sebesar 73,48.
Maka derajat keanggotaan pada
masing-masing himpunan fuzzy
adalah :
µ High (79,48)
=
=
=
= 0,982
= 0,1733
d. OBV, terdiri atas dua himpunan
yaitu low dan high. Untuk
himpunan fuzzy low derajat
keanggotaannya dapat ditentukan
dengan menggunakan persamaan
(4.20), untuk himpunan fuzzy high
menggunakan persamaan (4.21).
Apabila nilai OBV hari ini sebesar 3454500 sedangkan nilai dari OBV
sebelumnya adalah 0, maka derajat
keanggotaan pada himpunan fuzzy
adalah :
µ High (8406100) = 0
µ Low (-3454500) = 1
Langkah kedua adalah e cari ilai αpredikat dan setiap aturan dengan
menggunakan fungsi implikasi MIN
sehingga akan didapatkan kombinasi
aturan yang ada. Selanjutnya adalah
mencari nilai z atau bisa disebut
sebagai nilai hasil inferensi dari setiap
aturan. Nilai z diperoleh dari
konsekuen dari setiap aturan yang
terdiri dari 3 konsekuen sesuai dengan
aturan yang ada di jurnal yaitu BUY
(Beli), SELL (Jual) atau HOLD (Tahan).
Berikut adalah proses inferensi atau
pe caria u tuk e dapatka ilai αpredikat dan zdari masing-masing
aturan :
Rule 1 : JIKA MACD HIGH AND RSI LOW
AND SO LOW AND OBV HIGH MAKA BELI
-
µ(MACD high) = 0,9
-
µ(RSI low) = 0
µ(SO low) = 0
µ(OBV high) = 0
α predikat 1 = min (µ(MACD high)
ᴒ µ(RSI low) ᴒ µ(SO low) ᴒ µ(OBV high) )
= min (0,9 ᴒ 0 ᴒ
0 ᴒ 0)
=0
Z1 BELI = 1
Rule 2 : JIKA MACD LOW AND RSI HIGH
AND SO HIGH AND OBV LOW MAKA BELI
-
µ(MACD low) = -9,2391
µ(RSI high) = 0,3226
µ(SO high) = 0,9829
µ(OBV low) = 1
α predikat 2 = min (µ(MACD low) ᴒ
µ(RSI high) ᴒ µ(SO high) ᴒ µ(OBV low) )
= min (-9,2391
ᴒ 0,3226 ᴒ 0,9829 ᴒ 1)
= -9,2391
Z2 BELI =
1
Rule 3 : JIKA MACD HIGH AND RSI
MEDIUM AND SO MEDIUM AND OBV
HIGH MAKA BELI
-
µ(MACD high) = 0,9
µ(RSI medium) = 0,6774
µ(SO medium) = 0,017
µ(OBV high) = 0
α predikat 3 = min (µ(MACD high)
ᴒ µ(RSI medium) ᴒ µ(SO medium) ᴒ
µ(OBV low) )
= min (0,9 ᴒ
0,6774 ᴒ 0,017 ᴒ 0)
=0
Z3 BELI = 1
Rule 4 : JIKA MACD HIGH AND RSI LOW
AND SO LOW AND OBV HIGH MAKA BELI
-
µ(MACD high) = 0,9
µ(RSI low) = 0,6774
µ(SO low) = 0,9829
µ(OBV high) = 1
α predikat = min (µ(MACD high)
ᴒ µ(RSI low) ᴒ µ(SO low) ᴒ µ(OBV high) )
= min (0,9 ᴒ
0,6774 ᴒ 0,9829 ᴒ 1)
= 0,6774
Z4 JUAL = -1
Rule 5 : JIKA RSI LOW AND SO LOW AND
OBV HIGH MAKA BELI
-
µ(RSI low) = 0
µ(SO low) = 0
µ(OBV high) = 0
α predikat = min (µ(RSI low) ᴒ
µ(SO low) ᴒ µ(OBV high) )
= min (0 ᴒ 0 ᴒ
0)
=0
Z5 BELI = 1
Rule 6 : JIKA RSI HIGH AND SO HIGH AND
OBV LOW MAKA JUAL
-
µ(RSI high) = 0,3228
µ(SO high) = 0,767
µ(OBV low) = 0,1
α predikat = min (µ(RSI high) ᴒ
µ(SO high) ᴒ µ(OBV low) )
= min (0,3228 ᴒ
0,767 ᴒ 0,1)
= 0,1
Z6 JUAL = -1
Rule 7 : JIKA MACD LOW AND RSI HIGH
AND SO HIGH MAKA JUAL
-
µ(MACD low) = -9,2391
µ(RSI high) = 0,3226
µ(SO high) = 0,982906
α predikat = min (µ(MACD low) ᴒ
µ(RSI high) ᴒ µ(SO high)) )
= min (-9,2391
ᴒ 0,3226 ᴒ 0,982906)
= -9,2391
Z7 JUAL = -1
Rule 8 : JIKA MACD LOW AND RSI
MEDIUM AND SO MEDIUM MAKA TAHAN
-
µ(MACD low) = -9,2391
µ(RSI medium) = 0,6774
µ(SO low) = 0,0170
α predikat = min (µ(MACD low) ᴒ
µ(RSI medium) ᴒ µ(SO low)) )
= min (-9,2391
ᴒ 0,6774 ᴒ 0,0170)
= -9,2391
Z8 TAHAN = 0
Rule 9 : JIKA MACD HIGH AND RSI
MEDIUM AND SO MEDIUM AND OBV
LOW MAKA TAHAN
-
µ(MACD high) = 0,9
µ(RSI medium) = 0,6774
µ(SO medium) = 0,0170
µ(OBV low) = 1
α predikat = min(µ(MACD high) ᴒ
µ(RSI medium) ᴒ µ(SO medium) ᴒ µ(OBV
low) )
= min (0,9 ᴒ
0,6774 ᴒ 0,0170 ᴒ 1)
= 0,0170
Z9 TAHAN = 0
3. Langkah Terakhir yaitu proses
defuzzifikasi atau mencari nilai Z
dengan
menggunakan
metode
Weighted Average.
Z
=
kedalam bahasa pemrograman
PHP.
2.6 Pengujian Sistem
Z
=
Uji coba sistem dilakukan
untuk mengetahui apakah sistem
berjalan dengan baik dan sesuai dengan
spesifikasi kebutuhan yang telah
ditetapkan dapat berjalan dengan baik.
Uji coba sistem dilakukan dengan cara
membandingkan hasil nilai parameter
dari
para
pakar
dengan
hasil
rekomendasi
sistem.
Uji
akurasi
dilakukan seperti pada persamaan
berikut :
=
2.5 Implementasi
Implementasi sistem adalah
fase membangun sistem yang mengacu
pada perancangan sistem pakar dan
menerapkan hal yang telah didapatkan
dalam proses studi literature. Fase-fase
yang ada dalam implementasi antara lain
:
Implementasi interface,
menggunakan software
Notepad ++
Implementasi
basis
data
dengan menggunakan DBMS
MySQL pada server localhost
(XAMPP) yang bertujuan
untuk
memudahkan
melakukan pengolahan dan
penyimpanan data.
Implementasi
algoritma,
melakukan
perhitungan
dengan metode Fuzzy Sugeno
jumlah n data akurat
Nilai akurasi =
x100%
2.1
jumlah n seluruh n data
3.HASIL DAN PEMBAHASAN
Hasil dan pembahasan merupakan tahap
pengujian hasil dari perancangan dan
implementasi . Proses pengujian dilakukan
melalui dua tahapan yaitu pengujian
blackbox dan pengujian performa.
3.
1 Pengujian Blackbox
Pada pengujian black box akan
dijelaskan mengenai scenario pengujian
berdasarkan daftar kebutuhan sistem.
Tujuan dari pengujian ini adalah untuk
mengetahui apakah sistem yang telah
dibangun telah sesuai dengan daftar
kebutuhan sistem yang telah ditentukan
sebelumnya. Item-item yang sudah
dijelaskan akan menjadi acuan untuk
melakukan pengujian ini. Pengujian akan
dilakukan terhadap setiap kebutuhan
apakah sesuai dengan kasus uji masingmasing untuk mengetahui apakah
kebutuhan dengan kinerja sistem pakar
sudah sesuai atau belum.
Averaging
(DCA).
Hasil
performa
dihasilkan dari banyaknya keuntungan
atau kerugian yang dihasilkan oleh
masing-masing
strategi.
Terdapat
beberapa asumsi yang dilakukan dalam
percobaan ini, yaitu:
3.2.1 Skenario Pengujian Parameter
Terdapat 4 parameter pada system
pakar penenetuan market timing yaitu
MACD,RSI,SO
dan
OBV.
Skenario
pengujian parameter dilakukan dengan
cara melakukan perhitungan pada setip
parameter untuk bisa mendapatkan hasil
menggunakan
metode
fuzzy
sugeno.Berikut Kurva domain dari
keempat parameter yang ada pada
sistem.
3.2 Pengujian Performa
Pengujian performa dilakukan untuk
mengetahui performa dari sistem pakar
penentuan market timing pada pasar
saham Indonesia dengan menggunakan
metode fuzzy sugeno dibandingkan
dengan dua strategi dasar di dunia pasar
modal, yaitu Buy & Hold dan Dollar Cost
Fee jual dan fee beli tidak
diperhitungkan dalam percobaan
ini
Investor dapat membeli 1 lembar
saham, tidak perlu 1 lot
Kurva signal line MACD
Keterangan:
0.9
= Low
=High
Gambar 3.1 Kurva Signal Line MACD
0.1
Signal Line
Tabel 3.1 MACD
No.
1.
Himpunan Fuzzy MACD
Low
Range
Dibawah signal Line
2.
High
Diatas signal Line
Sumber : [Pengujian]
Fungsi Keanggotaan MACD
[ ]
{
[ ]
{
3.1
3.2
Kurva RSI
Low
Medium
High
Keterangan
= Low
=Medium
=High
30
70
50
Gambar 3.2 Kurva RSI
Tabel 3.2 RSI
No.
Himpunan Fuzzy RSI
Range
1.
Low
Nilai dibawah 30
2.
Medium
Nilai diantara 30 dan 70
3.
High
Nilai diatas 70
Fungsi keanggotaan RSI
[ ]
{
[ ]
[ ]
3.3
3.4
{
{
3.5
Kurva SO
Gambar 3.3 Kurva So
Tabel 3.3 SO
No.
Himpunan Fuzzy MACD
Range
1.
Low
Nilai dibawah 20
2.
Medium
Nilai diantara 20 dan 80
3.
High
Nilai diatas 80
Fungsi keanggotaan SO
[ ]
{
[ ]
[ ]
3.6
3.7
{
{
3.8
Kurva OBV
Gambar 3.4 Kurva OBV
Tabel 3.4 OBV
No.
1.
2.
Himpunan
Fuzzy OBV
Low
Fungsi keanggotaan OBV
Range
{
Ketika
trend
sedang
turun
High
[ ]
3.9
{
Ketika
trend
sedang
naik
[ ]
3.10
1. Perhitungan MACD(Moving Average
Convergence/Divergence)
Langkah 1 :
Menghitung 12-hari EMA dari
harga close
:
3.11
= 9100
Kedua lakukan perhitungan untuk
mencari EMA 12 dengan rumus
EMAt = harga closet *
+
3.12
)
EMAt-1 * (1 EMA12 = 9500 *
Menghitung 26-hari EMA
+ 9100 * (1-
)
= 9161,538
Langkah 2 :
= 9309,615
Kedua lakukan perhitungan untuk mencari
EMA 26 dengan rumus :
12hari EMA – 26 hari EMA
EMAt = harga closet *
Langkah 4 :
EMAt-1 * (1 EMA12 = 10050 *
+
)
+ 9309,615 * (1-
9636,614– 9309,615 = 326,995
Menentukan nilai dari signal line dengan
rumus :
) = 9364,458
Langkah 3 :
Menghitung 9 periode dari MACD dengan
rumus:
3.14
= 318,072
2. Perhitungan RSI (Relative Strengh
Index)
Langkah 1 :
Pertama, menghitung plus/minus
yaitu :
Langkah 2 :
(harga close sebelum – harga close
sesudah)
3.15
9100 – 9200 = -100
RS =
Hitung jumlah kenaikan harga (AG)
3.16
Langkah 3 :
= 1,2963
Hitung jumlah penurunan harga
(AL)
RS =
Langkah 4 :
Melakukan perhitungan untuk
mendapatkan nilai RSI, dengan
rumus :
Menentukan rata-rata AG dan AL :
Rata-rata
AG
=
Langkah 6 :
RSI = 100 –
Rata-rata AL =
3.17
Menghitung
rumus :
= 56,452
RSI = 100 - 100
Langkah 5 :
nilai
RS,
dengan
3. Perhitungan SO
Langkah 1 :
Melakukan perhitungan untuk
menentukan nilai dari highest high
(kurs tertinggi) menggunakan
rumus :
MAX (high)
Keterangan : MAX = Nilai maximal
tertinggi
Langkah 2 :
High = kisaran harga
pergerakan tertinggi
MAX
(
Menghitung nilai dari Lowes Low
(kurs terendah) adalah :
MIN (Low)
Keterangan : MIN = merupakan nilai
minimal atau nilai terendah
Low = kisaran harga pergerakan
terendah
MIN
(
Langkah 3
Hitung nilai dari %K menggunakan
rumus :
x
%K =
100
3.18
%K =
x 100 = 100
Langkah 4 :
Hitung nilai %D, dimana untuk
menghitungnya menggunakann
rumus
Rata-rata (3-hari %K)
100 + 69,2307 + 69,2307) / 3 =
79,4871
4. Perhitungan OBV
Tentukan nilai OBV nya dengan
mengikuti aturan JIKA-MAKA diatas
5. Fuzzyfikasi
Setelah nilai dari keempat parameter
diperoleh maka tahapan ketiga adalah
melakukan fuzzifikasi. Pada proses
fuzzifikasi akan dilakukan proses
4.Penutup
4.1 Kesimpulan
Dari uraian diatas yang telah
dijelaskan tentang System Pakar
Penentuan Martek Timing Pada
Pasar
Saham
Indonesia
Menggunakan
Metode
Fuzzy
Sugeno(studi kasus BBCA),maka
didapat
kesimpulan
sebagai
berikut:
1. Proses penentuan market timing
dilakukan dengan memasukkan data
historis saham tertentu. Melalui
data historis akan dilakukan
perhitungan dengan metode Fuzzy
Sugeno untuk mendapatkan nilai
akhir
yang
menjadi
dasar
defuzzifikasi untuk menghasilkan
rekomendasi beserta kekuatan
rekomendasi untuk investor.
2. Sistem pakar penentuan market
timing ini memiliki kinerja yang
DAFTAR PUSTAKA
Araújo, Ricardo de A., Oliveira, Adriano L.I.
dan Meira, Silvio.(2015). A Hybrid
Model for High Frequency Stock
Market Forecasting.
Chaeng, Ching-Hsue., Teoh, Hia Jong dan
Chen, Tai-Liang.(2007). Forecasting
dengan melihat harga close dan
volume maka menggunakan
IF (Harga close sebelum = harga hari
ini maka nilai OBV sebelum), IF (Harga
close hari ini > harga close kemarin
maka nilai Obv SEBELUM + volume
hari ini dan nilai obv sebelum –
volume hari ini)
IF (9200 = 9100,0, IF(9100>9200,
0+3454500, 0 – 3454500)) = -3454500
perhitungan untuk mendapatkan
derajat keanggotaan terhadap masingmasing variable MACD, RSI, SO, dan
OBV.
mampu berjalan dengan baik sesuai
kebutuhan fungsional
3. Performa dari ketiga strategi yang
dibandingkan menunjukkan kalau
sistem
yang
ditawarkan
memberikan keuntungan yang
paling banyak (5,395 persen)
dibandingkan dengan Buy & Hold (0,375 persen) dan Dollar Cost
Averaging (-0,919 persen). Hal ini
membuktikan bahwa sistem yang
ditawarkan memiliki performa yang
lebih baik daripada dua strategi lain.
4.2 Saran
1. Sistem dapat dikembangkan lebih
lanjut dengan menggabungkan
dengan metode lain agar sistem
menghasilkan
lebih
banyak
keuntungan
2. Pengembangan dapat dilakukan
dengan melakukan penambahan
parameter dan penambahan aturan.
Stock Price Index Using Fuzzy TimeSeries Based on Rough Set.
Chang, Pei-Chan., Fan, Chin-Yuan dan Li
Jyun-Jie.(2008). A Case Based
Clustering-Based TSK Fuzzy Rule
Systems for Stock Price Forecasting.
Do g, Che g da Wa , Fu g.
9. A
Fuzzy Approach to Stock Market Timing.
Fasanghari,
Mehdi
dan
Faraahi,
Ahmad.(2008).
Stock
Portfolio
Recommendation
Using
Fuzzy
Method.
Hadavandi, Esmaeil., Shavandi, Hassan
dan Ghanvari, Arash.(2010). A
Genetic Fuzzy Expert System for
Stock Price Forecasting.
Hiemstra, Ypke. (1994). A Stock Market
Forecasting Support System Based on
Fuzzy Logic.
Holmes, Mark J dan Maghrebi, Nabil.
(2016). Financial Market Impact on
the Real Economy : An Assessment of
Asymmetries and Volatility Linkages
Between the Stock Market and
Unemployment Rate.
Kaiqi, Zou dan Beiya, Li.(2008). Application
of Fuzzy time sequence in stock
prediction.
Kao-Yi, Shen / Min-Ren, Yan dan Kai,
Chen.(2010). A Fuzzy-MCDM Based
Value Investing Method for Banking
Stocks Evaluation.
Kusumadewi, S dan Purnomo, Hari.
(2010), Aplikasi Logika Fuzzy untuk
Pendukung Keputusan, Graha Ilmu,
Yogyakarta.
Lam, S.S. (2001). A Genetic Fuzzy Expert
System for Stock Market Timing.
Leu, Yungho dan Chiu, Tzu-I.(2010). An
Effective Stock Portfolio trading
Strategy using Genetic Algorithms
and Weighted Fuzzy Time Series.
Lin, Yupei dan Yang, Yiwen.(2009). Stock
Market Forecasting Based on Fuzzy
Time Series Model.
Liu, Qiong., Lu, Xin., dkk.(2004). Automatic
Estimation
of
Stock
Market
Forecasting and Generating the
Corresponding Natural Language
Expression.
Mavaahebi, Mahmud dan Nagasaka,
Ken.(2012). Measuring Business
Effectiveness
of
Information
Technology Investment By Using
Empirical Artificial Neural Networks
and Expert System.
Othman, Shuhadah dan Schneider,
Etienne.(2013). Decision Making
Using Fuzzy Logic for Stock Trading.
Rusvijayanti,Friska (2013).Sistem Pakar
Identifikasi Penyakit Ayam Pedaging
Menggunakan Metode DempsterShafer Berbasis Web.
Shakeri, Behnoush., Zarandi, M.H. Fazel.,
dan Tarimoradi, Mosahar.(2015).
Fuzzy Clustering Rule-Based Expert
System for Stock Price Movement
Prediction.
Shen, Kao-Yi., Yan, Min-Ren dan Tzeng
Gwo-Hshiung.(2010). An Integrated
Fuzzy-ANP Model for Value Investing.
Sulistyohati, Aprilia (2008) .Aplikasi Sistem
Pakar Diagnosa Penyakit Ginjal
Dengan
Metode
DempsterShafer:Universitas
Islam
Indonesia.Yogyakarta
University,
The
Chinese.(2003).
Incremental Genetic Fuzzy Expert
Trading System for Derivatives
Market Timing. Hongkong
Zurandi, M.H., Fazel Farivar, S dan I.B.
Türkşe
. A “uppervised Fuzzy
Network Analysis for Risk Assessment
in Stock Market : An ANFIS Appoarch.
SISTEM PAKAR PENENTUAN MARKET TIMING PADA PASAR SAHAM
INDONESIA MENGGUNAKAN METODE FUZZY SUGENO
(Studi kasus saham BBCA)
Grady Davinsyah 1) ,Bening Herwijayanti 2) ,Nindy Deka Nivani 3) ,Hidayatus “yafa’ah 4) , Arief
Andy Soebroto 5)
1)2)3)4)
Mahasiswa , 5)Dosen Pembimbing
Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya, Malang 65145, Indonesia
Email : gradyyo@gmail.com1),bening.herwijayanti@yaoo.com2),nindy.gea@gmail.com3),
syafaifa29@gmail.com4),ariefas@ub.ac.id5)
ABSTRAK
Setiap orang selalu mempunyai impian
untuk menjadi kaya, anggapan berhemat
dan menabung menjadi pemikiran
masyarakat yang sejalan dengan slogan
yang ada yaitu hemat pangkal kaya.
Padahal menurut statistic yang ada
dengan menabung di bank bunga yang
didapatkan berada dibawah presentase
laju inflasi yang ada di Indonesia, maka
dari itu salah satu upaya yang dapat
dilakukan adalah berinvestasi. Salah satu
dari sekian banyak instrument yang paling
terkenal adalah saham. Dari beberapa
data yang sudah ada jumlah investor di
Indonesia masih sangat sedikit hal ini
salah satunya disebabkan oleh tingginya
resiko dalam berinvestasi di pasar modal
(high risk high return) dan minimnya
pengetahuan calon investor tentang
bagaimana strategi menaklukan pasar
modal.
Sistem Pakar ini menggunakan metode
Fuzzy Sugeno. Pada metode fuzzy Sugeno
menghasilkan output berupa nilai yang
konstan dimana terdapat penggunaan
singleteon yang digunakan sebagai
sebuah
fungsi
keanggotaan
yang
konsekuen. Singleteon adalah sebuah
keanggotaan
fuzzy dengan fungsi
keanggotaan pada titik tertentu yang
mempunyai nilai 0 dan 1 di luar titik
tersebut. Metode ini dipilih karena
terdapat sinyal-sinyal jual maupun beli
seringkali bersifat fuzzy dan bukan
merupakan sebuah bilangan yang pasti.
Dimana penggunaan logika fuzzy telah
terbukti
mampu
memodelkan
permasalahan fuzzy di dunia nyata
sehingga
dapat
dilakukan
proses
komputasi oleh computer.
Maka dirancanglah sebuah system
pakar yang digunakan untuk menentukan
market timing dengan menggunakan
metode fuzzy sugeno yang dapat
memodelkan permasalahan fuzzy pada
dunia nyata dengan cukup baik.
Kata kunci: sistem pakar, saham, logika
fuzzy, fuzzy sugeno
ABSTRACT
Everyone always has a dream to become
rich , the assumption scrimping and saving
people thought to be in line with the
slogan that there is thrifty rich base . Yet
according to statistics there by saving
money in bank interest earned under the
percentage of inflation in Indonesia ,
therefore one attempts to do is invest .
One of the many instruments of the most
famous is the stock . From some of the
existing data the number of investors in
Indonesia is still very little this is one of
them due to the high risks involved in
investing in the stock market ( high risk
high return ) and lack of knowledge of
potential investors about how strategy to
conquer the capital markets .
This Expert System using Fuzzy
Sugeno method . On Sugeno fuzzy
methods generate output constant value
where there use singleteon used as a
consequent membership function .
Singleteon is a fuzzy membership with
membership function at a certain point
that has a value of 0 and 1 beyond that
point. This method was chosen because
there are signals sale or purchase are
often fuzzy and not a definite number .
Where the use of fuzzy logic has proven
able to model real-world problems of
fuzzy so do the computing process by
computer .
Then designed an expert system
that is used to determine market timing
by using fuzzy Sugeno fuzzy issues which
can model the real world quite well .
Keywords : expert system , stock , fuzzy
logic , fuzzy Sugeno
1.PENDAHULUAN
1.1 Latar Belakang
Menjadi kaya adalah impian
dari setiap orang, banyak yang
beranggapan bahwa agar menjadi kaya
harus berhemat dan harus bisa rajin
menabung. Pemikiran dari diatas ini
sejalan dengan sebuah slogan yang
ada di masyarakat, hemat pangkal
kaya dari kata tersebut bahwa semua
orang dapat menjadi orang yang kaya
apabila dapat berhemat. Padahal
statistik jelas menunjukkan bahwa
bunga
yang
diperoleh
ketika
menabung di bank (tabungan dan
deposito) berada di bawah prosentase
laju inflasi yang ada di Indonesia
(bareksa.2016). Saham menjadi begitu
terkenal di kalangan investor karena
tingginya
potensi
return
yang
ditawarkan, tetapi dunia investasi
saham
juga
penuh
dengan
ketidakpastian
atau
risiko
(Fardiansyah, 2002).
Pada bulan Februari 2016, jumlah
investor yang tercatat pada Bursa Efek
Indonesia (BEI) sebesar 468 ribu orang
(cnnindonesia,
2016),
Hampir
setengah juta orang telah menjadi
investor di bursa saham. Namun perlu
diingat bahwa keseluruhan jumlah
penduduk Indonesia ada sekitar 250
juta jiwa, Jika dibuat prosentasenya,
investor di BEI hanya sebesar 0,1872
persen. Dari fakta-fakta diatas, upaya
untuk mengurangi jumlah penduduk
miskin yang ada di Indonesia salah
satunya dapat dilakukan dengan
mendorong lebih banyak penduduk
untuk menjadi investor. Tantangan
selanjutnya adalah bagaimana investor
dapat secara konsisten mendapatkan
profit dari transaksinya di pasar
saham. Hal ini sangat sulit, karena
investor seniorpun masih mengalami
kerugian ketika bertransaksi di pasar
modal.
Dari sebuah permasalahan diatas
yang kemudian dirancang dengan
sebuah
sistem
pakar
yang
menggunakan suatu metode yaitu
metode fuzzy sugeno. Judul penelitian
ya g aka dilakuka adalah “iste
Pakar Penentuan Market Timing Pada
Pasar Saham Indonesia dengan
Metode Fuzzy “uge o . Metode fuzzy
sugeno dipilih karena sinyal-sinyal jual
maupun beli seringkali bersifat fuzzy
dan bukan merupakan sebuah
bilangan yang pasti. Dan logika fuzzy
telah terbukti mampu memodelkan
permasalahan fuzzy di dunia nyata
sehingga dapat dilakukan proses
komputasi oleh komputer. Data yang
digunakan dalam penelitian ini adalah
data saham Bank Central Asia (BBCA)
mulai 1 Januari 2013 hingga 31
Desember 2015.
1.2 Rumusan Masalah
1. Bagaimana perancangan Sistem
Pakar Penentuan Market Timing Pada
Pasar Saham Indonesia dengan
Metode Fuzzy Sugeno?
2. Bagaimana implementasi Sistem
Pakar Penentuan Market Timing Pada
Pasar Saham Indonesia dengan
Metode Fuzzy Sugeno?
3. Bagaimana
hasil
pengujian
terhadap Sistem Pakar Penentuan
Market Timing Pada Pasar Saham
Indonesia dengan Metode Fuzzy
Sugeno?
1.3 Batasan Masalah
1. Data yang digunakan dalam
penelitian ini adalah data harga close
saham Bank Central Asia (BBCA) sejak
tahun 2013 hingga tahun 2015.
2. Keluaran sistem yang dihasilkan
yaitu rekomendasi untuk membeli
atau menjual atau menahan portfolio
saham Bank Central Asia (BBCA) yang
dimiliki.
3. Parameter-parameter
yang
digunakan dibatasi pada harga open,
harga close, high, low, moving
average, exponential moving average,
dan relative strength index.
4.
Bahasa pemrograman
yang
digunakan PHP berbasis web.
1.4 Tujuan
Tujuan dari penelitian Sistem
Pakar Penentuan Market Timing Pada
Pasar Saham Indonesia Menggunakan
Metode Fuzzy Sugeno ini adalah untuk
membantu investor, baik yang masih
pemula ataupun yang telah senior, untuk
memaksimalkan potensi keuntungan
sekaligus
meminimalisir
potensi
kerugian.
2.METODELOGI PENELITIAN
2.1 Studi Literatur
Tahap studi literatur pada
penelitian ini adalah mempelajari
literatur dari beberapa informasi dan
pustaka
yang
berkaitan
dengan
pembuatan perangkat lunak Sistem
Pakar Penentuan Market Timing Pada
Pasar
Saham
Indonesia
dengan
Menggunakan Metode Fuzzy Sugeno.
Literatur diperoleh dari buku, internet,
jurnal, dan bimbingan oleh dosen
pembimbing. Adapun literatur yang
dipelajari tentang:
a.
b.
c.
d.
Kajian Pustaka
Sistem Pakar
Teori Fuzzy Sugeno
Teori tentang analisis teknikal saham
2.2 Pengumpulan Data
Pengumpulan data diperoleh
dari website yahoo finance dengan alamat
URL fi a ce.yahoo.co . Pe gu pula
data ini digunakan untuk mendukung
pembuatan
sistem
pakar
untuk
menentukan market timing. Data yang
diambil dari website merupakan data
Historical Prices BBCA (data history Bank
BCA), data ini diambil dari tanggal 1
Januari 2013 – 21 Desember 2015.
2.3 Analisis Kebutuhan
Analisa kebutuhan dilakukan
dengan menentukan kebutuhan apa saja
yang dibutuhkan dalam pembuatan
perangkat lunak Sistem Pakar Penentuan
Market Timing Pada Pasar Saham
Indonesia dengan Menggunakan Metode
Fuzzy Sugeno.
2.4 Perancangan
Lingkungan Konsultasi
Pengguna
Lingkungan Pengembangan
Basis
Pengetahuan(identifikasi
market timing dan nilai
parameter (Nilai
Close,RSI,MA/SMA,EMA
& MACD)
Harga
harian
BCA
Antarmuka
Fasiltas Penjelas
Hasil rekomendasi
(kemungkinan
menjual,membeli
saham )
Representasi
Pengetahua
n
Mesin Inferensi
Knowledge
Engineer
Blackboard
-Rencana
-Agenda
-Solusi
-Deskripsi
Akuisi Pengetahuan
Perbaikan
Pengetahuan
Pakar
Gambar 2.1 Arsitektur Sistem Pakar Penentuan Market Timing
merupakan berat dari aturan wi (firing
2.4.1 Proses Perhitungan Fuzzy Sugeno
Penarikan kesimpulan fuzzy, fuzzifikasi
strength). Sebagai contoh untuk aturan
input dan penerapan operator fuzzy pada
AND dengan inputan 1 = x dan input 2 = y,
metode ini sama dengan metode
maka firing strength adalah : wi =
Mamdani dimana perbedaan utama
AndMethod (F1(X), F2(Y)) dimana F1,2 (.)
Antara 2 metode ini terletak pada output
adalah membership function untuk input
membership function dimana dari metode
1 dan 2Fuzzy Sugeno Metode sistem
sugeno output berbentuk liner atau
inferensi fuzzy sugeno disebut juga
konstan. Aturan yang digunakan dalam
sebagai metode sistem inferensi TSK,
model fuzzy sugeno adalah sebagai
output dari sistem inferensi fuzzy
berikut:
dilakukan dalam 4 tahap:
IF Input 1 = x AND Input 2 = y THEN
Output is z = ax + by + c
Untuk model sugeno pada ordeNol, output level z adalah konstan
(a=b=c). output level Zi dari setiap aturan
Contoh Kasus Perhitungan Manual :
Misalkan investor ingin melakukan
investasi terhadap dana yang dimilikinya
tetapi ia ragu tindakan apa yang tepat
untuk menginvestasikan dana itu, dan
investor menyiapkan sebuah data
historical price dari tanggal 1 Januari 2013
– 18 Februari 2013. Maka apakah
keputusan yang tepat terhadap dana yang
dimilikinya?
Jawab :
Langkah awal yang harus dilakukan adalah
menyiapkan data yang dimiliki investor
yaitu dimulai dari tanggal 1 Januari 2013 –
18 Februari 2013, setelah data diperoleh
maka
lakukan
perhitungan
untuk
b. Perhitungan RSI
mendapatkan
nilai
parameter
seperti
dibawah ini:
dari
keempat
langkah-langkah
a. Menghitung MACD
Untuk perhitungan 12 HARI EMA
menggunakan persamaan 4.1 , sedangkan
untuk perhitungan 26 Hari EMA
menggunakan persamaan 4.2, dan untuk
memperoleh hasil MACD menggunakan
persamaan 4.3.
RS =
(
4
.
RSI = 100 - 100
1
c. Perhitungan SO )
= 1,2963
RS =
RSI = 100 –
= 56,452
Rumus dan tahapan lengkap untuk
mendapatkan nilai SO dapat dilihat pada
basis pengetahuan perhitungan SO.
d. Perhitungan OBV
Rumus dan tahapan lengkap untuk
mendapatkan nilai OBV dapat dilihat pada
basis pengetahuan perhitungan OBV.
Setelah nilai dari keempat parameter
diketahui maka lakukan perhitungan
menggunakan metode Fuzzy Inferensi
Sugeno untuk mendapatkan hasil market
timing berupa Jual, Beli, atau Tahan.
Perhitungannya dapat dilihat pada
tahapan berikut ini:
1. Langkah pertama yang dilakukan adalah
menghitung derajat keanggotaan masingmasing parameter pada market timing,
yaitu:
µ low (294,78) = -9,2391
a. MACD, terdiri atas 2 himpunan
fuzzy yaitu high dan low. Untuk
himpunan fuzzy low maka nilai
derajat keanggotaannnya dapat
ditentukan dengan menggunakan
persamaan (4.12), himpunan fuzzy
high
dengan
menggunakan
persamaan (4.13). Dari kalkulasi
yang sudah dilakukan nilai MACD
sebesar 294,78 sedangkan nilai dari
signal line sebesar 318,07maka
derajat keanggotaan pada masingmasing himpunan fuzzy adalah:
µ high (294,78) = 0,9
b. RSI, terdiri dari atas 3 himpunan
fuzzy yaitu low, medium, dan high.
Maka
nilai
dari
derajat
keanggotaannya untuk himpunan
fuzzy low dapat ditentukan dengan
menggunakan persamaan (4.14),
himpunan
fuzzy
medium
menggunakan persamaan (4.15),
dan
himpunan
fuzzy
high
menggunakan persamaan (4.16).
Apabila diketahui nilai RSI sebesar
56,452 maka derajat keanggotaan
pada masing-masing himpunan
fuzzy adalah :
µ High (56,452)
µ Low (56,452)
=
=
= 0
µ Medium (56,452) =
= 0,3226
=
= 0,6774
c. SO, terdiri dari tiga himpunan fuzzy
yaitu Low, Medium, High. Untuk
himpunana fuzzy Low maka nilai
dari derajat keanggotaannya dapat
ditentukan dengan menggunakan
persamaan (4.17), himpunan fuzzy
medium dapat ditentukan dengan
µ Low (79,48)
= 0
µ Medium (79,48) =
persamaan (4.18), dan himpunan
fuzzy high dapat ditentukan dengan
persamaan
(4.19).
Apabila
diketahui nilai SO sebesar 73,48.
Maka derajat keanggotaan pada
masing-masing himpunan fuzzy
adalah :
µ High (79,48)
=
=
=
= 0,982
= 0,1733
d. OBV, terdiri atas dua himpunan
yaitu low dan high. Untuk
himpunan fuzzy low derajat
keanggotaannya dapat ditentukan
dengan menggunakan persamaan
(4.20), untuk himpunan fuzzy high
menggunakan persamaan (4.21).
Apabila nilai OBV hari ini sebesar 3454500 sedangkan nilai dari OBV
sebelumnya adalah 0, maka derajat
keanggotaan pada himpunan fuzzy
adalah :
µ High (8406100) = 0
µ Low (-3454500) = 1
Langkah kedua adalah e cari ilai αpredikat dan setiap aturan dengan
menggunakan fungsi implikasi MIN
sehingga akan didapatkan kombinasi
aturan yang ada. Selanjutnya adalah
mencari nilai z atau bisa disebut
sebagai nilai hasil inferensi dari setiap
aturan. Nilai z diperoleh dari
konsekuen dari setiap aturan yang
terdiri dari 3 konsekuen sesuai dengan
aturan yang ada di jurnal yaitu BUY
(Beli), SELL (Jual) atau HOLD (Tahan).
Berikut adalah proses inferensi atau
pe caria u tuk e dapatka ilai αpredikat dan zdari masing-masing
aturan :
Rule 1 : JIKA MACD HIGH AND RSI LOW
AND SO LOW AND OBV HIGH MAKA BELI
-
µ(MACD high) = 0,9
-
µ(RSI low) = 0
µ(SO low) = 0
µ(OBV high) = 0
α predikat 1 = min (µ(MACD high)
ᴒ µ(RSI low) ᴒ µ(SO low) ᴒ µ(OBV high) )
= min (0,9 ᴒ 0 ᴒ
0 ᴒ 0)
=0
Z1 BELI = 1
Rule 2 : JIKA MACD LOW AND RSI HIGH
AND SO HIGH AND OBV LOW MAKA BELI
-
µ(MACD low) = -9,2391
µ(RSI high) = 0,3226
µ(SO high) = 0,9829
µ(OBV low) = 1
α predikat 2 = min (µ(MACD low) ᴒ
µ(RSI high) ᴒ µ(SO high) ᴒ µ(OBV low) )
= min (-9,2391
ᴒ 0,3226 ᴒ 0,9829 ᴒ 1)
= -9,2391
Z2 BELI =
1
Rule 3 : JIKA MACD HIGH AND RSI
MEDIUM AND SO MEDIUM AND OBV
HIGH MAKA BELI
-
µ(MACD high) = 0,9
µ(RSI medium) = 0,6774
µ(SO medium) = 0,017
µ(OBV high) = 0
α predikat 3 = min (µ(MACD high)
ᴒ µ(RSI medium) ᴒ µ(SO medium) ᴒ
µ(OBV low) )
= min (0,9 ᴒ
0,6774 ᴒ 0,017 ᴒ 0)
=0
Z3 BELI = 1
Rule 4 : JIKA MACD HIGH AND RSI LOW
AND SO LOW AND OBV HIGH MAKA BELI
-
µ(MACD high) = 0,9
µ(RSI low) = 0,6774
µ(SO low) = 0,9829
µ(OBV high) = 1
α predikat = min (µ(MACD high)
ᴒ µ(RSI low) ᴒ µ(SO low) ᴒ µ(OBV high) )
= min (0,9 ᴒ
0,6774 ᴒ 0,9829 ᴒ 1)
= 0,6774
Z4 JUAL = -1
Rule 5 : JIKA RSI LOW AND SO LOW AND
OBV HIGH MAKA BELI
-
µ(RSI low) = 0
µ(SO low) = 0
µ(OBV high) = 0
α predikat = min (µ(RSI low) ᴒ
µ(SO low) ᴒ µ(OBV high) )
= min (0 ᴒ 0 ᴒ
0)
=0
Z5 BELI = 1
Rule 6 : JIKA RSI HIGH AND SO HIGH AND
OBV LOW MAKA JUAL
-
µ(RSI high) = 0,3228
µ(SO high) = 0,767
µ(OBV low) = 0,1
α predikat = min (µ(RSI high) ᴒ
µ(SO high) ᴒ µ(OBV low) )
= min (0,3228 ᴒ
0,767 ᴒ 0,1)
= 0,1
Z6 JUAL = -1
Rule 7 : JIKA MACD LOW AND RSI HIGH
AND SO HIGH MAKA JUAL
-
µ(MACD low) = -9,2391
µ(RSI high) = 0,3226
µ(SO high) = 0,982906
α predikat = min (µ(MACD low) ᴒ
µ(RSI high) ᴒ µ(SO high)) )
= min (-9,2391
ᴒ 0,3226 ᴒ 0,982906)
= -9,2391
Z7 JUAL = -1
Rule 8 : JIKA MACD LOW AND RSI
MEDIUM AND SO MEDIUM MAKA TAHAN
-
µ(MACD low) = -9,2391
µ(RSI medium) = 0,6774
µ(SO low) = 0,0170
α predikat = min (µ(MACD low) ᴒ
µ(RSI medium) ᴒ µ(SO low)) )
= min (-9,2391
ᴒ 0,6774 ᴒ 0,0170)
= -9,2391
Z8 TAHAN = 0
Rule 9 : JIKA MACD HIGH AND RSI
MEDIUM AND SO MEDIUM AND OBV
LOW MAKA TAHAN
-
µ(MACD high) = 0,9
µ(RSI medium) = 0,6774
µ(SO medium) = 0,0170
µ(OBV low) = 1
α predikat = min(µ(MACD high) ᴒ
µ(RSI medium) ᴒ µ(SO medium) ᴒ µ(OBV
low) )
= min (0,9 ᴒ
0,6774 ᴒ 0,0170 ᴒ 1)
= 0,0170
Z9 TAHAN = 0
3. Langkah Terakhir yaitu proses
defuzzifikasi atau mencari nilai Z
dengan
menggunakan
metode
Weighted Average.
Z
=
kedalam bahasa pemrograman
PHP.
2.6 Pengujian Sistem
Z
=
Uji coba sistem dilakukan
untuk mengetahui apakah sistem
berjalan dengan baik dan sesuai dengan
spesifikasi kebutuhan yang telah
ditetapkan dapat berjalan dengan baik.
Uji coba sistem dilakukan dengan cara
membandingkan hasil nilai parameter
dari
para
pakar
dengan
hasil
rekomendasi
sistem.
Uji
akurasi
dilakukan seperti pada persamaan
berikut :
=
2.5 Implementasi
Implementasi sistem adalah
fase membangun sistem yang mengacu
pada perancangan sistem pakar dan
menerapkan hal yang telah didapatkan
dalam proses studi literature. Fase-fase
yang ada dalam implementasi antara lain
:
Implementasi interface,
menggunakan software
Notepad ++
Implementasi
basis
data
dengan menggunakan DBMS
MySQL pada server localhost
(XAMPP) yang bertujuan
untuk
memudahkan
melakukan pengolahan dan
penyimpanan data.
Implementasi
algoritma,
melakukan
perhitungan
dengan metode Fuzzy Sugeno
jumlah n data akurat
Nilai akurasi =
x100%
2.1
jumlah n seluruh n data
3.HASIL DAN PEMBAHASAN
Hasil dan pembahasan merupakan tahap
pengujian hasil dari perancangan dan
implementasi . Proses pengujian dilakukan
melalui dua tahapan yaitu pengujian
blackbox dan pengujian performa.
3.
1 Pengujian Blackbox
Pada pengujian black box akan
dijelaskan mengenai scenario pengujian
berdasarkan daftar kebutuhan sistem.
Tujuan dari pengujian ini adalah untuk
mengetahui apakah sistem yang telah
dibangun telah sesuai dengan daftar
kebutuhan sistem yang telah ditentukan
sebelumnya. Item-item yang sudah
dijelaskan akan menjadi acuan untuk
melakukan pengujian ini. Pengujian akan
dilakukan terhadap setiap kebutuhan
apakah sesuai dengan kasus uji masingmasing untuk mengetahui apakah
kebutuhan dengan kinerja sistem pakar
sudah sesuai atau belum.
Averaging
(DCA).
Hasil
performa
dihasilkan dari banyaknya keuntungan
atau kerugian yang dihasilkan oleh
masing-masing
strategi.
Terdapat
beberapa asumsi yang dilakukan dalam
percobaan ini, yaitu:
3.2.1 Skenario Pengujian Parameter
Terdapat 4 parameter pada system
pakar penenetuan market timing yaitu
MACD,RSI,SO
dan
OBV.
Skenario
pengujian parameter dilakukan dengan
cara melakukan perhitungan pada setip
parameter untuk bisa mendapatkan hasil
menggunakan
metode
fuzzy
sugeno.Berikut Kurva domain dari
keempat parameter yang ada pada
sistem.
3.2 Pengujian Performa
Pengujian performa dilakukan untuk
mengetahui performa dari sistem pakar
penentuan market timing pada pasar
saham Indonesia dengan menggunakan
metode fuzzy sugeno dibandingkan
dengan dua strategi dasar di dunia pasar
modal, yaitu Buy & Hold dan Dollar Cost
Fee jual dan fee beli tidak
diperhitungkan dalam percobaan
ini
Investor dapat membeli 1 lembar
saham, tidak perlu 1 lot
Kurva signal line MACD
Keterangan:
0.9
= Low
=High
Gambar 3.1 Kurva Signal Line MACD
0.1
Signal Line
Tabel 3.1 MACD
No.
1.
Himpunan Fuzzy MACD
Low
Range
Dibawah signal Line
2.
High
Diatas signal Line
Sumber : [Pengujian]
Fungsi Keanggotaan MACD
[ ]
{
[ ]
{
3.1
3.2
Kurva RSI
Low
Medium
High
Keterangan
= Low
=Medium
=High
30
70
50
Gambar 3.2 Kurva RSI
Tabel 3.2 RSI
No.
Himpunan Fuzzy RSI
Range
1.
Low
Nilai dibawah 30
2.
Medium
Nilai diantara 30 dan 70
3.
High
Nilai diatas 70
Fungsi keanggotaan RSI
[ ]
{
[ ]
[ ]
3.3
3.4
{
{
3.5
Kurva SO
Gambar 3.3 Kurva So
Tabel 3.3 SO
No.
Himpunan Fuzzy MACD
Range
1.
Low
Nilai dibawah 20
2.
Medium
Nilai diantara 20 dan 80
3.
High
Nilai diatas 80
Fungsi keanggotaan SO
[ ]
{
[ ]
[ ]
3.6
3.7
{
{
3.8
Kurva OBV
Gambar 3.4 Kurva OBV
Tabel 3.4 OBV
No.
1.
2.
Himpunan
Fuzzy OBV
Low
Fungsi keanggotaan OBV
Range
{
Ketika
trend
sedang
turun
High
[ ]
3.9
{
Ketika
trend
sedang
naik
[ ]
3.10
1. Perhitungan MACD(Moving Average
Convergence/Divergence)
Langkah 1 :
Menghitung 12-hari EMA dari
harga close
:
3.11
= 9100
Kedua lakukan perhitungan untuk
mencari EMA 12 dengan rumus
EMAt = harga closet *
+
3.12
)
EMAt-1 * (1 EMA12 = 9500 *
Menghitung 26-hari EMA
+ 9100 * (1-
)
= 9161,538
Langkah 2 :
= 9309,615
Kedua lakukan perhitungan untuk mencari
EMA 26 dengan rumus :
12hari EMA – 26 hari EMA
EMAt = harga closet *
Langkah 4 :
EMAt-1 * (1 EMA12 = 10050 *
+
)
+ 9309,615 * (1-
9636,614– 9309,615 = 326,995
Menentukan nilai dari signal line dengan
rumus :
) = 9364,458
Langkah 3 :
Menghitung 9 periode dari MACD dengan
rumus:
3.14
= 318,072
2. Perhitungan RSI (Relative Strengh
Index)
Langkah 1 :
Pertama, menghitung plus/minus
yaitu :
Langkah 2 :
(harga close sebelum – harga close
sesudah)
3.15
9100 – 9200 = -100
RS =
Hitung jumlah kenaikan harga (AG)
3.16
Langkah 3 :
= 1,2963
Hitung jumlah penurunan harga
(AL)
RS =
Langkah 4 :
Melakukan perhitungan untuk
mendapatkan nilai RSI, dengan
rumus :
Menentukan rata-rata AG dan AL :
Rata-rata
AG
=
Langkah 6 :
RSI = 100 –
Rata-rata AL =
3.17
Menghitung
rumus :
= 56,452
RSI = 100 - 100
Langkah 5 :
nilai
RS,
dengan
3. Perhitungan SO
Langkah 1 :
Melakukan perhitungan untuk
menentukan nilai dari highest high
(kurs tertinggi) menggunakan
rumus :
MAX (high)
Keterangan : MAX = Nilai maximal
tertinggi
Langkah 2 :
High = kisaran harga
pergerakan tertinggi
MAX
(
Menghitung nilai dari Lowes Low
(kurs terendah) adalah :
MIN (Low)
Keterangan : MIN = merupakan nilai
minimal atau nilai terendah
Low = kisaran harga pergerakan
terendah
MIN
(
Langkah 3
Hitung nilai dari %K menggunakan
rumus :
x
%K =
100
3.18
%K =
x 100 = 100
Langkah 4 :
Hitung nilai %D, dimana untuk
menghitungnya menggunakann
rumus
Rata-rata (3-hari %K)
100 + 69,2307 + 69,2307) / 3 =
79,4871
4. Perhitungan OBV
Tentukan nilai OBV nya dengan
mengikuti aturan JIKA-MAKA diatas
5. Fuzzyfikasi
Setelah nilai dari keempat parameter
diperoleh maka tahapan ketiga adalah
melakukan fuzzifikasi. Pada proses
fuzzifikasi akan dilakukan proses
4.Penutup
4.1 Kesimpulan
Dari uraian diatas yang telah
dijelaskan tentang System Pakar
Penentuan Martek Timing Pada
Pasar
Saham
Indonesia
Menggunakan
Metode
Fuzzy
Sugeno(studi kasus BBCA),maka
didapat
kesimpulan
sebagai
berikut:
1. Proses penentuan market timing
dilakukan dengan memasukkan data
historis saham tertentu. Melalui
data historis akan dilakukan
perhitungan dengan metode Fuzzy
Sugeno untuk mendapatkan nilai
akhir
yang
menjadi
dasar
defuzzifikasi untuk menghasilkan
rekomendasi beserta kekuatan
rekomendasi untuk investor.
2. Sistem pakar penentuan market
timing ini memiliki kinerja yang
DAFTAR PUSTAKA
Araújo, Ricardo de A., Oliveira, Adriano L.I.
dan Meira, Silvio.(2015). A Hybrid
Model for High Frequency Stock
Market Forecasting.
Chaeng, Ching-Hsue., Teoh, Hia Jong dan
Chen, Tai-Liang.(2007). Forecasting
dengan melihat harga close dan
volume maka menggunakan
IF (Harga close sebelum = harga hari
ini maka nilai OBV sebelum), IF (Harga
close hari ini > harga close kemarin
maka nilai Obv SEBELUM + volume
hari ini dan nilai obv sebelum –
volume hari ini)
IF (9200 = 9100,0, IF(9100>9200,
0+3454500, 0 – 3454500)) = -3454500
perhitungan untuk mendapatkan
derajat keanggotaan terhadap masingmasing variable MACD, RSI, SO, dan
OBV.
mampu berjalan dengan baik sesuai
kebutuhan fungsional
3. Performa dari ketiga strategi yang
dibandingkan menunjukkan kalau
sistem
yang
ditawarkan
memberikan keuntungan yang
paling banyak (5,395 persen)
dibandingkan dengan Buy & Hold (0,375 persen) dan Dollar Cost
Averaging (-0,919 persen). Hal ini
membuktikan bahwa sistem yang
ditawarkan memiliki performa yang
lebih baik daripada dua strategi lain.
4.2 Saran
1. Sistem dapat dikembangkan lebih
lanjut dengan menggabungkan
dengan metode lain agar sistem
menghasilkan
lebih
banyak
keuntungan
2. Pengembangan dapat dilakukan
dengan melakukan penambahan
parameter dan penambahan aturan.
Stock Price Index Using Fuzzy TimeSeries Based on Rough Set.
Chang, Pei-Chan., Fan, Chin-Yuan dan Li
Jyun-Jie.(2008). A Case Based
Clustering-Based TSK Fuzzy Rule
Systems for Stock Price Forecasting.
Do g, Che g da Wa , Fu g.
9. A
Fuzzy Approach to Stock Market Timing.
Fasanghari,
Mehdi
dan
Faraahi,
Ahmad.(2008).
Stock
Portfolio
Recommendation
Using
Fuzzy
Method.
Hadavandi, Esmaeil., Shavandi, Hassan
dan Ghanvari, Arash.(2010). A
Genetic Fuzzy Expert System for
Stock Price Forecasting.
Hiemstra, Ypke. (1994). A Stock Market
Forecasting Support System Based on
Fuzzy Logic.
Holmes, Mark J dan Maghrebi, Nabil.
(2016). Financial Market Impact on
the Real Economy : An Assessment of
Asymmetries and Volatility Linkages
Between the Stock Market and
Unemployment Rate.
Kaiqi, Zou dan Beiya, Li.(2008). Application
of Fuzzy time sequence in stock
prediction.
Kao-Yi, Shen / Min-Ren, Yan dan Kai,
Chen.(2010). A Fuzzy-MCDM Based
Value Investing Method for Banking
Stocks Evaluation.
Kusumadewi, S dan Purnomo, Hari.
(2010), Aplikasi Logika Fuzzy untuk
Pendukung Keputusan, Graha Ilmu,
Yogyakarta.
Lam, S.S. (2001). A Genetic Fuzzy Expert
System for Stock Market Timing.
Leu, Yungho dan Chiu, Tzu-I.(2010). An
Effective Stock Portfolio trading
Strategy using Genetic Algorithms
and Weighted Fuzzy Time Series.
Lin, Yupei dan Yang, Yiwen.(2009). Stock
Market Forecasting Based on Fuzzy
Time Series Model.
Liu, Qiong., Lu, Xin., dkk.(2004). Automatic
Estimation
of
Stock
Market
Forecasting and Generating the
Corresponding Natural Language
Expression.
Mavaahebi, Mahmud dan Nagasaka,
Ken.(2012). Measuring Business
Effectiveness
of
Information
Technology Investment By Using
Empirical Artificial Neural Networks
and Expert System.
Othman, Shuhadah dan Schneider,
Etienne.(2013). Decision Making
Using Fuzzy Logic for Stock Trading.
Rusvijayanti,Friska (2013).Sistem Pakar
Identifikasi Penyakit Ayam Pedaging
Menggunakan Metode DempsterShafer Berbasis Web.
Shakeri, Behnoush., Zarandi, M.H. Fazel.,
dan Tarimoradi, Mosahar.(2015).
Fuzzy Clustering Rule-Based Expert
System for Stock Price Movement
Prediction.
Shen, Kao-Yi., Yan, Min-Ren dan Tzeng
Gwo-Hshiung.(2010). An Integrated
Fuzzy-ANP Model for Value Investing.
Sulistyohati, Aprilia (2008) .Aplikasi Sistem
Pakar Diagnosa Penyakit Ginjal
Dengan
Metode
DempsterShafer:Universitas
Islam
Indonesia.Yogyakarta
University,
The
Chinese.(2003).
Incremental Genetic Fuzzy Expert
Trading System for Derivatives
Market Timing. Hongkong
Zurandi, M.H., Fazel Farivar, S dan I.B.
Türkşe
. A “uppervised Fuzzy
Network Analysis for Risk Assessment
in Stock Market : An ANFIS Appoarch.