BAB II

TINJAUAN PUSTAKA
2.1 Landasan Teori
2.1.1 Pasar Modal
Pasar modal adalah pasar dari berbagai instrumen keuangan (sekuritas)
jangka panjang yang dapat diperjualbelikan, baik dalam bentuk hutang (obligasi)
maupun modal sendiri (saham) yang diterbitkan pemerintah atau perusahaan
swasta. Pada dasarnya fungsi pasar modal sebagai wahana demokratisasi
pemilikan saham yang ditunjukkan dengan semakin banyaknya institusi dan
individu yang memiliki saham perusahaan yang telah go public. (Suad Husnan,
1!)
Sebagaimana telah disinggung sebelumnya, pasar modal mempunyai
peranan penting dalam mobilisasi dana untuk menunjang pembangunan nasional.
"kses dana dari pasar modal telah mengundang banyak perusahaan nasional
maupun patungan untuk menyerap dana masyarakat tersebut dengan tujuan yang
beragam. #amun, sasaran utamanya adalah meningkatkan produktivitas kerja
melalui ekspansi usaha dan$atau mengadakan pembenahan struktur modal untuk
meningkatkan daya saing perusahaan.
%nstrumen&instrumen pasar modal %ndonesia yang memungkinkan
mobilisasi dana masih relatif terbatas jika dibandingkan dengan bursa&bursa dunia
yang sudah mapan. 'endati demikian, dalam usia yang relatif muda, pasar modal
%ndonesia telah menjadi wahana penting diluar perbankan untuk menyediakan
10
dana yang diperlukan dunia usaha melalui penjualan saham dan obligasi serta
derivatifnya.
2.1.2 Investasi
%nvestasi merupakan suatu aktiva yang digunakan perusahaan untuk
pertumbuhan kekayaan (Accretion wealth) melaui distribusi hasil investasi (seperti
bunga, royalti, dividen, dan uang sewa) untuk apresiasi nilai investasi atau untuk
mendapat manfaat lain bagi perusahaan yang berinvestasi, seperti manfaat yang
diperoleh melalui hubungan perdagangan. Persediaan dan aktiva tetap bukan
merupakan investasi (S"', 1).
%nvestasi dapat diartikan sebagai kegiatan menanamkan modal baik
langsung maupun tidak langsung, dengan harapan pada waktunya nanti pemilik
modal mendapatkan sejumlah keuntungan dari hasil penanaman modal tersebut
(Hamid, 1()
%nvestasi merupakan suatu kegiatan penempatan dana pada sebuah atau
sekumpulan aset selama periode tertentu dengan harapan dapat memperoleh
penghasilan dan$atau peningkatan nilai investasi ()ones, *++!). Pengertian
investasi tersebut menunjukkan bahwa tujuan investasi adalah meningkatkan
kesejahteraan investor, baik sekarang maupun dimasa yang akan datang (,huwita,
*++-).
2.1.3 Strategi Investasi pasif
Strategi investasi pasif mendasarkan diri pada asumsi bahwa . (a) pasar
modal tidak melakukan mispricing/ dan (b) meskipun terjadi mispricing, para
11
pemodal berpendapat mereka tidak bisa mengidentifikasi dan memanfaatkannya
(0ena 1.2.3, 1). ,engan kata lain, penganut strategi ini tidak bermaksud untuk
mengalahkan (outperform) pasar tetapi lebih kepada bertindak sebaik yang terjadi
di pasar, mereka bertindak seolah&olah pasar efisien dan menerima perkiraan
konsensus mengenai kembalian dan risiko, melihat harga saham saat ini sebagai
sarana peramalan terbaik terhadap nilai sebuah sekuritas ()ones, *++!)
Pengadopsi strategi pasif bertujuan untuk menyusun portofolio yang sesuai
dengan preferensi risiko atau pola arus kas yang mereka inginkan. 4isalnya, )ika
investor menginginkan risiko yang ke5il, maka mereka akan membentuk
portofolio yang terdiri atas saham&saham yang mempunyai beta rendah. %nvestor
yang ingin mendapat arus kas tertentu, mungkin memilih saham&saham yang
membagikan dividen se5ara teratur. %nvestor yang mempunyai tarif pajak tinggi
5enderung membentuk portofolio yang tidak membagikan dividen yang terlalu
tinggi. ,engan strategi pasif maka biaya transaksi akan diminimumkan. Para
%nvestor dapat menganut strategi buy and hold, atau melakukan investasi pada
portofolio yang disusun sesuai indeks pasar.
Strategi buy and hold, menyangkut keputusan untuk membeli saham&
saham dan menahannya sampai waktu yang 5ukup lama untuk memenuhi tujuan
tertentu (Sawidji, 16). 1ujuan utamanya adalah untuk menghindari tingginya
biaya transaksi, biaya pen5arian informasi, dan sebagainya. %nvestor per5aya
bahwa strategi sema5am ini, dalam jangka waktu yang 5ukup lama, akan
menghasilkan hasil yang sama baiknya apabila dibandingkan dengan manajemen
investasi yang aktif (artinya aktif melakukan jual beli, aktif men5ari informasi
12
yang dipandang relevan, dan sebagainya). Portofolio yang dimiliki pemodal
mungkin 5ukup besar ataupun 5ukup ke5il. Pemodal perlu melakukan strategi
reinvestasi dari dividen yang diperoleh dari portofolio investasinya dan portofolio
yang dimiliki mungkin didominasi oleh saham&saham tertentu. 4eskipun
demikian, perubahan portofolio dimungkinkan apabila dirasa risiko portofolio
sudah tidak sesuai dengan preferensi risiko pemodal.
Pemodal juga dapat melakukan strategi dengan membentuk portofolio
yang mirip dengan suatu indeks pasar. 4isalnya membentuk portofolio yang
komposisinya mirip dengan indeks 07 !(. 2ara sema5am ini disebut sebagai
Index fund. Index fund yang dibentuk mungkin dibuat sama dengan indeks pasar
yang terdiri atas saham&saham yang paling aktif diperdagangkan, saham blue chip
(saham&saham yang dinilai mempunyai kualitas baik dengan sejarah memperoleh
laba dan pembayaran dividen yang konsisten), ataupun saham&saham
berkapitalisasi ke5il (Suad Husnan, 18).
2.1. Strategi Investasi A!tif
Strategi ini mendasarkan diri pada asumsi bahwa (a) pasar modal
melakukan kesalahan dalam penentuan harga (mispriced)/ dan (b) para pemodal
berpendapat bisa mengidentifikasi mispriced ini dan memanfaatkannya (apakah
kedua asumsi itu benar, masih merupakan masalah yang perlu diteliti) (0ena
1.2.3, 1).
4ereka yang menganut strategi aktif pada dasarnya tidak per5aya
sepenuhnya pada konsep pasar modal yang efisien. 4eskipun demikian tidak
13
berarti pemodal akan menganut strategi aktif atau pasif se5ara mutlak. 4ereka
mungkin menginvestasikan sebagian dana mereka dengan menganut strategi aktif
dan sisanya mendasarkan pada strategi pasif.
4ereka yang menggunakan strategi investasi aktif dapat menggunakan
analisis fundamental, analisis teknikal atau market timing. 'edua tipe analisis
yang pertama akan dibahas pada sub bab selanjutnya. sedangkan market timing
pada dasarnya menentukan kapan seharusnya pemodal membeli atau menjual
(atau melakukan short selling). ,engan demikian analisis ini merupakan variasi
dari analisis teknikal.
Sebagian besar pemodal tampaknya masih memilih untuk melakukan
strategi aktif meskipun terdapat berbagai bukti yang mendukung hipotesis pasar
yang efisien, dan kinerja dari berbagai pemodal institusional yang menganut
strategi pasif, yang ternyata juga memberikan kinerja yang 5ukup baik. "lasan
mengapa mereka tetap melakukannya adalah keinginan untuk memperoleh
imbalan yang sangat besar dari strategi yang mereka lakukan.
Salah satu bentuk strategi aktif yang sering dilakukan adalah pemilihan
sekuritas. Strategi ini dilakukan terhadap saham&saham yang diperkirakan akan
memberikan abnormal return positif, dan biasanya dilakukan dengan analisis
fundamental, meskipun terkadang analisis teknikal juga digunakan (atau
kombinasi keduanya).
9paya untuk melakukan pemilihan saham nampaknya memang
mempunyai justifikasi. 45:nally dan 1odd (1*) menunjukkan bahwa pemodal
yang berhasil memilih saham&saham yang termasuk *(; penghasil return
14
tertinggi, dan konsisten mempertahankan pilihannya, akan berhasil menghindari
tahun&tahun kerugian. Sebaliknya apabila seorang pemodal memilih saham&saham
yang termasuk *(; terburuk, dan tidak merubahnya, akan berada dalam posisi
memperoleh kerugian yang 5ukup berarti terutama pada tahun&tahun buruk.
Periode pengamatan yang digunakan oleh kedua peneliti tersebut adalah 1!<&
18.
,alam pemilihan saham tersebut, tampaknya peran para analis saham
5ukup berarti. 'emampuan analis, waktu yang di5urahkan, dan informasi yang
dimiliki para analis sekuritas tersebut nampaknya merupakan keunggulan apabila
dibandingkan dengan analisis yang dilakukan oleh pemodal individual. 9mumnya
saran yang diberikan oleh analis sekuritas menyangkut buy, sell atau hold.
Selain melakukan pemilihan sekuritas, salah satu bentuk lain strategi aktif
adalah penggantian sektor (sector rotation). ,engan 5ara ini pemodal merubah
komposisi portofolionya, dari memusatkan pada suatu sektor menjadi pemusatan
sektor lain, atau lebih merata, dan berbagai variasi lainnya. Pemodal mungkin
menggeser portofolionya dari value stocks ke growth stocks, atau cyclical stock
atau sebaliknya
2.1." #fisiensi Pasar Modal
:fisiensi pasar modal merupakan salah satu indikator untuk menentukan
kualitas suatu pasar modal. Semakin tinggi derajat efisiensinya, maka kualitas
pasar modal tersebut akan semakin baik. Pada dasarnya terdapat dua jenis
efisiensi pasar modal, yakni efisiensi internal dan efisiensi eksternal (Sri Handari
dkk, 1<).
15
Pasar modal semakin efisien internal apabila biaya transaksi dalam
perdagangan saham semakin rendah. )adi, efisiensi ini dikaitkan dengan besarnya
biaya untuk melakukan pembelian atau penjualan suatu saham. Sementara itu
derajat efisiensi eksternal akan ditentukan oleh ke5epatan penyesuaian harga
saham dipasar modal terhadap informasi baru. ,engan kata lain, apabila harga
saham di pasar modal men5erminkan semua informasi yang ada (dan
berhubungan dengan saham tersebut), maka pasar modal akan memiliki efisiensi
eksternal yang semakin tinggi. ,ari pengertian efisiensi eksternal tersebut, maka
dapat disimpulkan bahwa jenis efisiensi ini akan dikaitkan dengan informasi,
artinya efisiensi pasar modal akan diukur se5ara informasional (Sri Handaru dkk,
1<). Hal yang sama juga diungkapkan Suad Husnan (1<) melalui pernyataan
bahwa pasar modal yang efisien adalah pasar modal yang harga sekuritas&
sekuritasnya men5erminkan semua informasi yang relevan dengan 5epat.
Haugen (16) menyatakan bahwa terdapat tiga bentuk efisiensi pasar
modal, tiap&tiap bentuk tersebut berhubungan dengan sekelompok informasi yang
semakin luas jika dibandingkan dengan tingkat sebelumnya. 'etiga bentuk itu
adalah efisiensi lemah, efisiensi setengah kuat, dan efisiensi kuat.
:fisiensi bentuk lemah (weak-form efficiency) menunjukkan bahwa harga
merefleksikan semua informasi yang terangkum dalam 5atatan harga masa lalu.
dalam keadaan ini investor tidak dapat memperoleh tingkat keuntungan yang lebih
tinggi dari keadaan normal se5ara konsisten dengan menggunakan informasi harga
di waktu lalu. ,engan kata lain informasi ini tidak relevan untuk memperoleh
tingkat hasil yang berlebih (Haugen, 16).
16
:fisiensi bentuk setengah kuat (semi-strong form efficiency) adalah
keadaan yang tidak hanya men5erminkan harga&harga diwaktu lalu, tetapi juga
informasi yang dipublikasikan. "kibatnya dalam keadaan ini investor tidak dapat
memperoleh keuntungan diatas normal se5ara konsisten dengan memanfaatkan
informasi publik (Haugen, 16).
1ingkat efisiensi terakhir yaitu efisiensi bentuk kuat (strong-form
efficiency), di5apai jika harga tidak hanya men5erminkan informasi harga diwaktu
lalu dan informasi yang dipublikasikan, tetapi juga informasi yang dapat diperoleh
dari analisis fundamental tentang perusahaan dan perekonomian serta informasi&
informasi lain yang tidak atau belum dipublikasikan. ,alam keadaan sema5am ini
harga sekuritas akan menjadi sangat wajar, dan tidak ada investor yang mampu
memperoleh perkiraan yang lebih baik mengenai harga saham se5ara konsisten
(Haugen, 16).
2.1.$ Te!ni! Analisis Sa%a&
Pengambilan keputusan investor untuk melakukan investasi pada saham
selalu mempertimbangkan faktor perolehan dan risiko. =isiko diidentifikasikan
dengan fluktuasi atau ketidakpastian. >alaupun pertumbuhan dari perolehan
diinginkan, tetapi fluktuasi tajam yang memun5ulkan risiko tinggi selalu
diupayakan ditekan.
"nalisis saham dibutuhkan untuk menentukan kelas risiko dan perolehan
surat berharga sebagai dasar keputusan investasi. "nalisis tersebut dilakukan
dengan dasar sejumlah informasi yang diterima investor atas suatu jenis saham
17
tertentu. 'eputusan investasi akan berbeda apabila merupakan hasil analisis yang
berbeda, dari susunan informasi yang berbeda, selama dengan kondisi yang
berbeda dengan preferensi risiko yang relevan untuk berbagai investor. ?ran5is
(18-) mengemukakan dua pendekatan dalam penilaian sekuritas, yaitu analisis
fundamental (fundamental approach) dan analisis teknikal (technical approach).
2.1.$.1 Analisis '(nda&ental
"nalisis fundamental merupakan teknik analisis saham yang mempelajari
tentang keuangan mendasar dan fakta ekonomi dari perusahaan sebagai langkah
penilaian saham perusahaan. "sumsi yang digunakan adalah harga saham yang
terjadi merupakan refleksi dari informasi mengenai saham tertentu. Hal ini terjadi
apabila efisiensi pasar modal sekurang&kurangnya dalam bentuk setengah kuat.
Para investor yang mengambil keputusan berdasarkan faktor fundamental ini
biasanya 5enderung lebih senang menghindari risiko (risk averse).
,alam menerapkan analisis fundamental ini pada praktiknya akan selalu
mengasumsikan bahwa pembentukan harga suatu saham dipengaruhi oleh berita
yang datangnya se5ara a5ak (random walk) dan harga saham akan se5ara 5epat
menyesuaikan dengan keadaan berita tersebut. Sehingga analisis fundamental
akan lebih tepat digunakan apabila kondisi pasar modal berada dalam tingkat
efisiensi setengah kuat dan kuat.
18
"sumsi lainnya dari analisis fundamental ini adalah sebagai berikut (Huang,
1+) .
1. %nvestor adalah rasional dan berperilaku risk averse
%nvestor tersebut akan men5ari saham yang memberikan keuntungan
maksimal apabila risiko yang dihadapi sama besarnya, atau akan men5ari
saham yang memberikan risiko terke5il apabila keuntungan yang diperoleh
sama.
. 1eori )alan "5ak (!he theory of random walk)
@erita akan datang se5ara a5ak. @erita baik, se5ara teoritis akan
mengangkat harga saham bersangkutan. sebaliknya, berita buruk akan
mendorong harga saham untuk turun.
". 1eori pasar yang efisien (!he theory of #fficient $arket)
Pasar dapat dikatakan efisien apabila berita&berita yang datang se5ara
5epat beredar ke seluruh investor yang ada.
2.1.$.2 Analisis Te!ni!al
"nalisis 1eknikal merupakan teknik analisis saham yang dilakukan dengan
menggunakan data historis mengenai perkembangan harga saham dan volume
perdagangan saham dalam pola gratik. dan kemudian digunakan sebagai model
pengambilan keputusan. Penawaran dan permintaan akan digunakan untuk
memprediksi tingkat harga mendatang dan pergerakannya. "nalisis teknikal
merupakan teknik analisis yang paling banyak dilakukan oleh para investor,
bahkan penelitian 1aylor dan "ller (1*) dalam ?ernandeA&=odrigueA dkk (1)
19
menyatakan bahwa lebih dari +; investor memberikan bobot yang lebih tinggi
pada penggunaan analisis teknikal dibandingkan analisis fundamental dalam
membeli atau menjual saham.
"sumsi dalam analisis teknikal antara lain (Huang, 1+ dan Sri Handari dkk,
1<)
1. 'ejadian di pasar menggambarkan segalanya ($arket action discount
everything)
=eaksi pasar akan terjadi sesuai dengan kondisi pasar tersebut, dimana
apabila tawaran jual (offer) lebih banyak dibandingkan tawaran beli (bid)
maka harga akan bergerak turun. ,emikian pula sebaliknya apabila
tawaran jual lebih sedikit dibandingkan dengan tawaran beli maka harga
akan bergerak naik.
. Harga bergerak mengikuti tren (%rice move in trends)
Harga saham akan bergerak sesuai dengan keadaan pasar, seperti yang
telah dijelaskan sebelumnya. "pabila suatu harga saham telah bergerak
baik naik ataupun turun maka harga saham tersebut untuk selanjutnya akan
mengikuti pola sebelumnya sampai berita atau isu yang terbaru ada.
". 4asa lalu akan terulang dengan sendirinya (&istory repeat itself)
Pergerakan harga saham yang pernah terjadi akan selalu melekat dibenak
seorang investor dan 5enderung untuk menjadi a5uan bagi seorang investor
untuk mengambil keputusan investasi.
"nalisis teknikal akan tepat digunakan apabila kondisi pasar modal tidak
efisien dalam bentuk lemah, atau dengan kata lain tidak random walk. Sesuai
20
dengan salah satu asumsi dalam analisis teknikal yang berbunyi history repeat
itself. maka kondisi pasar modal yang saham&saham tidak bergerak a5ak dan dapat
diprediksi akan membuat analisis teknikal bermanfaat bagi investor.
"nalisis teknikal dapat didefinisikan sebagai penggunaan data spesifik
yang berasal dari transaksi dipasar untuk analisis baik harga saham agregat
(indeks pasar maupun rata&rata industri) atau harga saham tunggal. ()ones, *++!).
Pendekatan teknikal dalam investasi pada dasarnya adalah refleksi ide
bahwa harga bergerak dalam tren yang ditentukan oleh perubahan perilaku
investor terhadap berbagai ma5am tekanan ekonomi, moneter, politik dan
psikologis. Seni analisis teknikal, dalam kaitannya sebagai seni, digunakan untuk
mengidentifikasi perubahan tren pada tahap awal dan untuk menjaga bentuk
investasi sampai beratnya menunjukkan bahwa tren akan berbalik (Pring, :dward
dan 4agee (1(8) mengartikulasikan asumsi dasar yang mendasari analisis
teknikal sebagai berikut .
1. #ilai pasar ditentukan oleh interaksi antara penawaran dan permintaan
*. Penawaran dan permintaan diatur oleh berbagai faktor, baik rasional
maupun irasional.
-. Harga sekuritas 5enderung untuk bergerak pada sebuah tren yang bertahan
untuk waktu yang 5ukup lama, disamping fluktuasi ke5il dipasar.
!. Perubahan didalam tren disebabkan oleh pergeseran penawaran dan
permintaan.
21
(. Pergeseran pada penawaran dan permintaan, dengan tidak memperhatikan
mengapa pergesaran terjadi, dapat dideteksi 5epat atau lambat pada grafik
transaksi pasar.
<. beberapa pola grafik 5enderung mengalami pengulangan.
2.1.) M(ltifra!tal
Ide dasar pengembangan eksponen Hurst adalah model otokorelasi. Pada
otokorelasi biasa menggunakan data sebagai satu kesatuan deret waktu, sedangkan
pada analisis R/S (Rescaled range Analysis, sebutan untuk mendapatkan eksponen
Hurst) data dipecah menjadi beberapa bagian, dan analisis R/S dilakukan terhadap
masing-masing data yang terpecah. Misalkan kita memiliki data deret waktu Y
1
, ...
, Y
N
data ini kemudian dipecah menjadi beberapa bagian dengan panjang yang
sama, dengan masing-masing terdiri atas y
1
,...,y
t
.
Nilai R diperoleh dari persamaan :
R
N
= MaksX
(t,N)
minX
(t,N)
Nilai X diperoleh dari persamaan :

t
u
' u ' t
x (
1
,
) (
Dimana
N
adalah rata-rata deret waktu selama periode N. Nilai S
merupakan deviasi standard data deret waktu yang kita miliki. Dapat diperoleh
dengan persamaan
( )
*
1
1
*
B
1
1
]
1

'
i
' i '
y y
'
)
22
Rasio R/S dari R dan Deviasi Standard S dari deret waktu utama dapat
dihitung dengan hukum empiris sebagai berikut (Yao dkk, 1999) : R/S = N
H
. Nilai
Eksponen Hurst dapat dihitung sebagai berikut :
H = log(R/S)/log(N)
Dimana nilai H berada diantara 0 dan 1 (0<H<1). Estimasi nilai H dapat
diperoleh dengan melakukan perhitungan slope grafik log R/S terhadap N
menggunakan regresi.
Nilai eksponen Hurst (H) menggambarkan probabilitas bahwa dua event
konsekutif dapat muncul. Jika nilai H = 0,5 maka data deret waktu bertipe acak,
terdiri atas event-event yang tidak berhubungan. Nilai H selain 0,5
menggambarkan bahwa objek observasi tidak independen, Ketika 0 H <0,5,
sistem yang diteliti merupakan deret ergodic dan antipersisten dengan frekuensi
pembalikan yang tinggi dan volatilitas yang tinggi. Disamping kelaziman yang
ada mengenai konsep pembalikan rata-rata pada literatur ekonomi dan keuangan,
hanya ditemukan beberapa deret waktu antipersisten. Bagi kondisi ketiga (0,5 < H
1,0), H mendeskripsikan deret persisten dan adanya tren yang ditunjukkan oleh
efek ingatan jangka panjang (long memory effects). Kekuatan bias bergantung
pada seberapa besar nilai H diatas 0,5. Semakin rendah nilai H, lebih banyak noise
pada sistem dan deret lebih mendekati keacakan.(Yao dkk, 1999).
2.1.* Metode Analisis Te!ni!al
1erdapat berbagai ma5am metode yang dapat digunakan untuk melakukan
23
prediksi nilai sebuah data runtun waktu seperti harga saham atau indeks saham.
@eberapa diantaranya Auto *egressive ("=), $oving Average (4"),
Autoregressive Integrated $oving Average ("=%4"), +ector Auto *egression
(C"=), )aringan Syaraf 1iruan, "lgoritma Denetika, dan 0ogika ?uAAy. Pada
tulisan ini hanya akan dibahas dua metode analisis teknikal yaitu "=%4"
(Autoregressive Integrated $oving Average) dan )aringan Syaraf 1iruan.
2.1.*.1 A+IMA ,Autoregressive Integrated Moving Average-
,alam analisis teknikal, terdapat metode&metode yang merupakan basic
trading rules yaitu indikator&indikator berupa moving average, exponential
moving average, dan trend line (Parisi dan CasEueA, *+++/ ?ernandeA&=odrigueA,
1,*+++,*++1)
4etode moving average adalah salah satu metode analisis teknikal
sederhana. ,ilakukan dengan 5ara men5ari rata&rata bergerak dari harga saham
harian selama beberapa periode, banyaknya periode yang sering digunakan untuk
perhitungan ini adalah (, 1+ dan 1++ periode. 4etode moving average yang
lainnya adalah exponential moving average yang memiliki prinsip yang hampir
sama dengan 4", tetapi :4" mempertimbangkan bobot dari periode
sebelumnya. Sementara itu metode trend line adalah metode perkiraan harga
saham dengan menggunakan teknik regresi sederhana dengan waktu sebagai
variabel bebasnya.
4odel "=%4" merupakan model yang dikembangkan se5ara intensif oleh
Deorge @oF dan Dwilyn )enkins sehingga nama mereka sering disinonimkan
24
dengan proses "=%4" yang diterapkan untuk analisis dan peramalan data runtun
waktu (time series). "=%4" sebenarnya adalah teknik untuk men5ari pola yang
paling 5o5ok dari sekelompok data (curve fitting), dengan demikian "=%4"
memanfaatkan sepenuhnya data masa lalu dan sekarang untuk melakukan
peramalan jangka pendek yang akurat. 2ontoh pemakaian model "=%4" adalah
peramalan harga saham dipasar modal yang dilakukan para pialang yang
didasarkan pada pola perubahan harga saham dimasa lampau (Sugiarto dan
Harijono, *+++). "=%4" juga telah digunakan pada beberapa penelitian empiris
di @ursa :fek )akarta, misalnya penelitian %bnu 7iAam (*++1) yang menggunakan
"=%4" untuk menganalisis kerandoman perilaku laba perusahaan di @ursa :fek
)akarta, penelitian tersebut mengambil kesimpulan bahwa metode "=%4" masih
relevan dalam menggambarkan perilaku laba.
,alam melakukan analisis empiris menggunakan data runtun waktu, para
peneliti dan ekonometrisi menghadapi beberapa tantangan (Dujarati, 1(.6+
dalam ?irmansyah, *+++), yaitu . pertama, studi empiris dengan basis data runtun
waktu mengasumsikan bahwa data runtun waktu adalah stasioner. "sumsi ini
memiliki konsekuensi penting dalam menterjemahkan data dan model ekonomi.
Hal ini karena data yang stasioner pada dasarnya tidak mempunyai variasi yang
terlalu besar selama periode pengamatan dan mempunyai ke5enderungan untuk
mendekati nilai rata&ratanya (%nsukindro, 1!/ Dujarati, 1(/ :ngle dan
Dranger, 186). -edua, dalam regresi suatu variabel runtun waktu dengan
variabel runtun waktu yang lain, seorang peneliti menginginkan bahwa koefisien
determinasi =
*
memiliki nilai yang tinggi tetapi seringkali tidak terdapat
25
keterkaitan yang berarti antara kedua variabel tersebut. Situasi ini
mengindikasikan adanya permasalahan regresi lan5ung (spurious regression),
akibatnya antara lain koefisien regresi penaksir tidak efisien, uji baku umum
untuk koefisien regresi menjadi tidak valid. -etiga, model regresi dengan data
runtun waktu seringkali digunakan untuk keperluan peramalan atau prediksi. Hasil
prediksi tidak akan valid apabila data yang digunakan tidak stasioner.
"da beberapa alasan yang dapat dikemukakan mengapa digunakan teknik
peramalan yang tidak menggunakan model struktural, dimana persamaannya
menunjukkan hubungan antar variabel yang berdasar pada teori ekonomi dan
logika. 4eskipun mungkin sebenarnya landasan teori yang digunakan untuk
membentuk suatu model ada, tetapi data variabel bebas yang diperlukan ternyata
tidak tersedia. Selain itu, terkadang penyebab pergerakan suatu variabel sulit
dideteksi (?irmansyah, *+++).
2.1.*.1.1 Notasi .ala& &odel A+IMA
Se5ara umum model "=%4" (@oF&)enkins) dirumuskan dengan notasi
sebagai berikut (Harijono dan Sugiarto, *+++) .
"=%4" (p,d,E)
dalam hal ini,
p menunjukkan orde $ derajat Autoregressive ("=)
d menunjukkan orde $ derajat .ifferencing (pembedaan) dan
E menunjukkan orde $ derajat $oving Average (4")
26
2.1.*.1.2 Model Autoregressive ,A+-
4odel Autoregressive adalah model yang menggambarkan bahwa variabel
dependen dipengaruhi oleh variabel dependen itu sendiri pada periode&periode dan
waktu&waktu sebelumnya (Sugiarto dan Harijono, *+++). Se5ara umum model
autoregressive ("=) mempunyai bentuk sebagai berikut .
t p t p t t t
e / / / / + + + +

...
* * 1 1 +
,imana,
Y
t . deret waktu stasioner
+

. 'onstanta
p t t
/ /

,...,
1 . #ilai masa lalu yang berhubungan
p
,...,
1 . 'oefisien atau parameter dari model autoregressive
t
e
. residual pada waktu t
Grde dari model "= (yang diberi notasi p) ditentukan oleh jumlah periode
variabel dependen yang masuk dalam model. Sebagai 5ontoh .
1 1 +
+
t t
/ /
adalah model "= orde 1 dengan notasi "=%4" (1,+,+)
* * 1 1 +
+ +
t t t
/ / /
adalah model "= orde * dengan notasi "=%4" (*,+,+)
4odel diatas disebut sebagai model autoregressive (regresi diri sendiri)
karena model tersebut mirip dengan persamaan regresi pada umumnya, hanya saja
yang menjadi variabel independen bukan variabel yang berbeda dengan variabel
dependen melainkan nilai sebelumnya (lag) dari variabel dependen (
Y
t ) itu
sendiri
@anyaknya nilai lampau yang digunakan oleh model, yaitu sebanyak p,
27
menentukan tingkat model ini. "pabila hanya digunakan satu lag dependen, maka
model ini dinamakan model autoregressive tingkat satu(first-order autoregressive)
atau "=(1). "pabila nilai yang digunakan sebanyak p lag dependen, maka model
ini dinamakan model autoregressive tingkat p (p-th order autoregressive) atau
"=(p).
2.1.*.1.3 Model Moving Average ,MA-
Se5ara umum model moving average mempunyai bentuk sebagai berikut .
0 t n t t t
e e e /

+ ...
* * 1 1 +
dimana,
Y
t . ,eret waktu stasioner
o

. konstanta
n
,...,
1
. koefisien model moving average yang
menunjukkan bobot. #ilai koefisien dapat memiliki
tanda negatif atau positif, tergantung hasil estimasi.
0 t
e
. residual lampau yang digunakan oleh model, yaitu
sebanyak E, menentukan tingkat model ini.
Perbedaan model moving average dengan model autoregressive terletak
pada jenis variabel independen. @ila variabel independen pada model
autoregressive adalah nilai sebelumnya (lag) dari variabel dependen (
Y
t ) itu
sendiri, maka pada model moving average sebagai variabel independennya adalah
nilai residual pada periode sebelumnya.
28
Grde dari nilai 4" (yang diberi notasi E) ditentukan oleh jumlah periode
variabel independen yang masuk dalam model. Sebagai 5ontoh .
1 1 +
+
t t
e /
adalah model 4" orde 1 dengan notasi "=%4" (+,1,1)
* * 1 1 +
+
t t t
e e /
adalah model 4" orde * dengan notasi "=%4" (+,+,*)
2.1.*.1. Model A+MA ,A(toregressive Moving Average-
Sering kali karakteristik 3 tidak dapat dijelaskan oleh proses "= sana atau
4" saja, tetapi harus dijelaskan oleh keduanya sekaligus. 4odel yang memuat
kedua proses ini biasa disebut model "=4". @entuk umum model ini adalah .
0 t n t t p t n t t t
e e e / / / /

+ + + +
* * 1 1 * * 1 1 +
...
,i mana 3
t
dan e
t
sama seperti sebelumnya,
t
adalah konstanta, dan adalah
koefisien model. )ika model menggunakan dua lag dependen dan tiga lag residual,
model itu dilambangkan dengan "=4" (*,-)
2.1.*.1." Model A+IMA
,alam praktek banyak ditemukan bahwa data ekonomi bersifat non&
stasioner sehingga perlu dilakukan modifikasi, dengan melakukan
pembedaan(differencing), untuk menghasilkan data yang stasioner. Pembedaan
dilakukan dengan mengurangi nilai pada suatu periode dengan nilai pada periode
sebelumnya.
Pada umumnya, data di dunia bisnis akan menjadi stasioner setelah
dilakukan pembedaan pertama. )ika setelah dilakukan pembedaan pertama
ternyata data masih belum stasioner, perlu dilakukan pembedaan berikutnya. ,ata
29
yang dipakai sebagai input model "=%4" adalah data hasil transformasi yang
sudah stasioner, bukan data asli. @eberapa kali proses differencing dilakukan
dinotasikan dengan d. 4isalnya data asli belum stasioner, lalu dilakukan
pembedaan pertama dan menghasilkan data yang stasioner. ,apat dikatakan
bahwa series tersebut melalui proses differencing satu kali, dH1. #amun jika
ternyata deret waktu tersebut baru stasioner pada pembedaan kedua, maka dH*,
dan seterusnya.
4odel "=%4" biasanya dilambangkan dengan "=%4"(p,d,E) yang
mengandung pengertian bahwa model tersebut menggunakan p nilai lag
dependen, d tingkat proses differensiasi, dan E lag residual. Simbol model
sebelumnya dapat juga dinyatakan dengan simbol "=%4", misalnya .
4"(*) dapat ditulis dengan "=%4" (+,+,*)
"=(1) dapat ditulis dengan "=%4" (1,+,+)
"=4" (1,*) dapat ditulis dengan "=%4"(1,+,*)
,an sebagainya.
2.1.*.2 Jaringan S/araf Tir(an
)aringan Syaraf 1iruan merupakan teknologi yang lahir dari upaya
manusia untuk men5ari tahu bagaimana sistem koordinasi hewan terjadi,
bagaimana syaraf bekerja, mengoptimasi diri, dan mampu menjadi pusat segala
sistem hayati hewan (Situngkir dan Surya, *++-a).
Suatu jaringan saraf tiruan memproses sejumlah besar informasi se5ara
paralel dan terdistribusi, hal ini terinspirasi oleh model kerja otak biologis.
30
@eberapa definisi tentang jaringan saraf tiruan adalah sebagai berikut .
1. )aringan Syaraf 1iruan adalah suatu struktur pemroses informasi yang
terdistribusi dan bekerja se5ara paralel, terdiri atas elemen pemroses
(yang memiliki memori lokal dan beroperasi dengan informasi lokal)
yang diinterkoneksi bersama dengan alur sinyal searah yang disebut
koneksi. Setiap elemen pemroses memiliki koneksi keluaran tunggal
yang ber5abang (fan out) ke sejumlah koneksi kolateral yang
diinginkan (setiap koneksi membawa sinyal yang sama dari keluaran
elemen pemroses tersebut). 'eluaran dari elemen pemroses tersebut
dapat merupakan sebarang jenis persamaan matematis yang
diinginkan. Seluruh proses yang berlangsung pada setiap elemen
pemroses harus benar&benar dilakukan se5ara lokal, yaitu keluaran
hanya bergantung pada nilai masukan pada saat itu yang diperoleh
melalui koneksi dan nilai yang tersimpan dalam memori lokal. (He5ht&
#ielsend, 188)
*. Haykin, S. (1!), mendefinisikan jaringan saraf sebagai berikut.
Sebuah jaringan saraf adalah sebuah prosesor yang terdistribusi paralel
dan mempuyai ke5enderungan untuk menyimpan pengetahuan yang
didapatkannya dari pengalaman dan membuatnya tetap tersedia untuk
digunakan. Hal ini menyerupai kerja otak dalam dua hal yaitu. ( 1)
Pengetahuan diperoleh oleh jaringan melalui suatu proses belajar/ (*)
'ekuatan hubungan antar sel saraf yang dikenal dengan bobot sinapsis
digunakan untuk menyimpan pengetahuan.
31
-. Iurada, ).4. (1*), mendefinisikan )aringan Syaraf 1iruan sebagai
sistem saraf tiruan atau jaringan saraf tiruan adalah sistem selular fisik
yang dapat memperoleh, menyimpan dan menggunakan pengetahuan
yang didapatkan dari pengalaman.
#euron adalah unit pemroses informasi yang menjadi dasar dalam
pengoperasian )aringan syaraf tiruan. #euron terdiri atas tiga elemen pembentuk
(Siang, *++(.*-) .
a) Himpunan unit&unit yang dihubungkan dengan jalur koneksi. )alur&jalur
tersebut memiliki bobot $ kekuatan yang berbeda&beda. @obot yang
bernilai positif akan memperkuat sinyal dan yang bernilai negatif akan
memperlemah sinyal yang dibawanya. )umlah, Struktur, dan pola
hubungan antar unit&unit tersebut akan menentukan arsitektur jaringan
(dan juga model jaringan yang terbentuk).
b) Suatu unit penjumlah yang akan menjumlahkan input&input sinyal yang
sudah dikalikan dengan bobotnya.
5) ?ungsi aktivasi yang akan menentukan apakah sinyal dari input neuron
akan diteruskan ke neuron lain ataukah tidak.
32
Dambar skematik tipikal neuron dapat dilihat pada gambar *.1
0a&1ar 2.1
Saraf Biologis
Sumber . Situngkir dan surya *++-b.
1eknologi )aringan syaraf tiruan memberikan perubahan epistemologis
pada sistem pemrograman dibandingan pemrograman tradisional. )aringan Syaraf
1iruan memproses informasi dengan 5ara yang sangat berbeda dengan 5ara
konvensional. Perbedaan pemrograman )aringan Syaraf 1iruan dan 5ara
konvensional disajikan pada 1abel *.1.
33
Ta1el 2.1
Per1edaan Pe&rogra&an Jaringan S/araf Tir(an dan Pe&rogra&an
Tradisional
Jaringan S/araf Tir(an Pe&rogra&an Tradisional
'omputasi dilakukan se5ara paralel dan
terdistribusi dalam unit pemrosesan
data dengan jumlah yang banyak
'omputasi dilakukan se5ara serial
%nformasi terdistribusi dalam jaring&
)aringan Syaraf 1iruan
%nformasi teralokasi dalam tempat
tertentu
disebut teknologi pemroses paralel
terdistribusi (%arallel distributed
processing)
S(&1er 2 Sit(ng!ir dan s(r/a 23331 diring!as.
Pemrosesan informasi dalam )aringan Syaraf 1iruan dapat disingkat
sebagai berikut . Sinyal (baik berupa aksi ataupun potensial) mun5ul sebagai
masukan unit (sinapsis)/ efek dari tiap sinyal ini dinyatakan sebagai bentuk
perkalian dengan sebuah nilai bobot untuk mengindikasikan kekuatan dari
sinapsis. Semua sinyal yang diberi pengali bobot ini kemudian dijumlahkan satu
sama lain untuk menghasilkan unit aktivasi. )ika aktivasi ini melampaui sebuah
batas ambang tertentu maka unit tersebut akan memberikan keluaran dalam
bentuk respon terhadap masukan. 9nit aktivasi ini kemudian dibandingkan
dengan sebuah nilai ambang, dan hasilnya dimasukkan kedalam fungsi transfer
(fungsi non&linier) yang akan menghasilkan sebuah keluaran. Se5ara ringkas
34
proses tersebut dapat digambarkan dalam gambar *.*
0a&1ar 2.2
Ne(ron 1(atan M45(llo4%6Pitts se1agai operator &ate&atis
S(&1er 2 Sit(ng!ir dan S(r/a7 23331
"ktivasi dari unit masukan diatur dan diteruskan melalui jaring hingga
nilai dari keluaran dapat ditentukan. )aring berperan sebagai fungsi vektor yang
mengambil satu vektor pada masukan dan mengeluarkan satu vektor lain pada
keluaran. 4odel )aringan Syaraf 1iruan dapat memiliki sebuah lapisan bobot,
dimana masukan dihubungkan langsung dengan keluaran, atau beberapa lapisan
yang didalamnya terdapat beberapa lapisan tersembunyi, karena berada
tersembunyi diantara neuron masukan dan keluaran. jaring syaraf menggunakan
unit tersembunyi untuk menghasilkan representasi pola masukan se5ara internal
didalam jaring syaraf. ?ungsi transfer (non-linier) yang digunakan dalam tiap
35
neuron (baik dilapisan masukan, keluaran, atau lapisan tersembunyi) dapat berupa
fungsi nilai ambang, fungsi linier, fungsi sigmoid, ataupun fungsi gaussian,
tergantung dari karakter neuron sesuai keinginan kita. Hal ini dapat dilihat pada
gambar *.-
0a&1ar 2.3
Tipi!al Se1(a% Jaringan S/araf Tir(an
S(&1er 2 sit(ng!ir dan s(r/a7 23331
2.1.*.3 Ko&ponen Jaringan S/araf
1erdapat beberapa tipe jaringan syaraf, hampir semuanya memiliki
komponen&komponen yang sama. Seperti halnya otak manusia, jaringan syaraf
juga terdiri atas beberapa neuron dan ada hubungan antar neuron tersebut.
#euron&neuron tersebut akan mentransformasikan informasi yang diterima
melalui sambungan keluarnya menuju ke neuron&neuron yang lain. Pada jaringan
36
syaraf, hubungan ini dikenal dengan nama bobot.%nformasi tersebut disimpan
pada suatu nilai tertentu pada bobot tersebut. #euron ini sebenarnya mirip dengan
sel neuron biologis. #euron&neuron buatan tersebut bekerja dengan 5ara yang
sama pula dengan neuron biologis. %nformasi (disebut dengan. input) akan dikirim
ke neuron dengan bobot kedatangan tertentu. %nput ini akan diproses oleh suatu
fungsi perambatan yang akan menjumlahkan nilai&nilai semua bobot yang datang.
Hasil penjumlahan ini kemudian akan dibandingkan dengan suatu nilai
ambang(threshold) tertentu melalui fungsi aktivasi setiap neuron. "pabila input
tersebut melewati suatu nilai ambang tertentu, maka neuron tersebut akan
diaktifkan, tapi kalau tidak, maka neuron tersebut tidak akan diaktifkan. "pabila
neuron tersebut diaktifkan, maka neuron tersebut akan mengirimkan output
melalui bobot&bobot outputnya kesemua neuron yang berhubungan dengannnya.
('usumadewi, *++-)
Pada )aringan syaraf, neuron&neuron akan dikumpulkan dalam lapisan
(layer) yang disebut dengan lapisan neuron (neuron layer). #euron&neuron pada
satu lapisan akan dihubungkan dengan lapisan&lapisan sebelum dan sesudahnya
(ke5uali lapisan input dan lapisan output). %nformasi yang diberikan pada jaringan
syaraf akan dirambatkan lapisan ke lapisan. 4ulai dari lapisan input sampai ke
lapisan output melalui lapisan lainnya, yang sering disebut sebagai lapisan
tersembunyi (hidden layer).
2.1.*. Arsite!t(r Jaringan S/araf
37
2.1.*..1 Jaringan dengan lapisan tunggal (single layer net)
Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan bobot-
bobot terhubung. Jaringan ini hanya menerima input kemudian secara langsung
akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi.
2.1.8.4.2 Jaringan dengan banyak lapisan (multilayer net)
Jaringan dengan banyak lapisan memiliki 1 atau lebih lapisan yang terletak
diantara lapisan input dan lapisan output (memiliki 1 atau lebih lapisan
tersembunyi). Umumnya, ada lapisan bobot-bobot yang terletak antara 2 lapisan
yang bersebelahan. Jaringan dengan banyak lapisan ini dapat menyelesaikan
permasalahan yang lebih sulit daripada jaringan dengan lapisan tunggal, tentu saja
dengan pembelajaran yang lebih rumit. Namun demikian, pada banyak kasus,
pembelajaran pada jaringan dengan banyak lapisan ini lebih sukses dalam
menyelesaikan masalah.
2.1.*.". '(ngsi A!tivasi
Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf tiruan,
antara lain :
a. Fungsi Undak Biner (Hard Limit)
Jaringan dengan lapisan tunggal sering menggunakan fungsi undak (step
function) untuk mengkonversikan input dari suatu variabel yang bernilai
kontinu ke suatu output biner (0 atau 1)
38
Fungsi undak biner (hard limit) dirumuskan sebagai :

'

>

1 x 2ika 1,
1 x 2ika 1,
y
b. Fungsi undak biner (Threshold)
Fungsi undak biner dengan menggunakan nilai ambang sering juga disebut
dengan fungsi nilai ambang (Threshold) atau fungsi Heaviside.
Fungsi undak biner (dengan nilai ambang ) dirumuskan sebagai

'

<

x 2ika 1,
x 2ika 1,
y
c. Fungsi Bipolar (Symetric Hard Limit)
Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner, hanya saja
output yang dihasilkan berupa 1, 0 atau -1
39
Fungsi Symetric Hard Limit dirumuskan sebagai :

'

<

>

1 x 2ika 1,
1 x 2ika 1,
1 x 2ika 1,
y
d. Fungsi Bipolar (dengan threshold)
Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner dengan
threshold. Hanya saja keluaran yang dihaslkan berupa 1, 0, atau -1
Fungsi bipolar (dengan nilai ambang ) dirumuskan sebagai

'

<

x 2ika 1,
x 2ika ,
y
1
e. Fungsi Linear (Identitas)
40
Fungsi linear memiliki nilai output yang sama dengan nilai inputnya. Fungsi
ini dirumuskan sebagai :
y = x
f. Fungsi Saturating Linear
Fungsi ini akan bernilai 0 jika inputnya kurang dari , dan akan bernilai 1
jika inputnya lebih dari . Sedangkan jika nilai input terletak antara -1/2 dan
, maka outputnya akan bernilai sama dengan nilai input ditambah
Fungsi saturating linear dirumuskan sebagai :
41

'

( , / +
( , + ( , + / ( , +
( , /
1 x 2ika
x 2ika x
1 x 2ika 1
y
g. Fungsi Symetric Saturating Linear
Fungsi ini akan bernilai -1 jika inputnya kurang dari -1, dan akan bernilai 1
jika inputnya lebih dari 1. Sedangkan jika nilai input terletak antara -1 dan 1,
maka outputnya akan bernilai sama dengan nilai inputnya.
Fungsi symetric saturating linear dirumuskan sebagai :

'

1 / 1
1 1 /
1 / 1
2ika(
x 2ika x
2ika(
y
h. Fungsi Sigmoid Biner
Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan menggunakan
metode backpropagation. Fungsi sigmoid biner memiliki nilai pada range 0
42
sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan syaraf
yang membutuhkan nilai output yang terletak pada interval 0 sampai 1.
Namun, fungsi ini bisa juga digunakan oleh jaringan syaraf yang nilai
outputnya 0 atau 1.
Fungsi sigmoid biner dirumuskan sebagai :
x
e
x f y

+

1
1
) (
Dengan :
)J ( 1 )K ( (F) fL x f x f
i. Fungsi Sigmoid Bipolar
Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya saja
output dari fungsi ini memiliki range antara 1 sampai -1
Fungsi sigmoid bipolar dirumuskan sebagai :
x
x
e
e
x f y

1
1
) (
Dengan : [ ][ ] ) ( 1 ) ( 1
*
) ( L x f x f x f +

Fungsi ni sangat dekat dengan fungsi hyperbolic tangent. Keduanya memiliki
range antara -1 sampai 1. Untuk fungsi hyperbolic tangent, dirumuskan
sebagai :
x x
x x
e e
e e
x f y

) (
43
Atau :
x
x
e
e
x f y
*
*
1
1
) (

Dengan : [ ][ ] ) ( 1 ) ( 1 ) ( L x f x f x f +
2.1.*.$. Proses Pe&1ela8aran
1erdapat dua tipe pembelajaran dalan )aringan Syaraf 1iruan, yaitu .
('usumadewi, *++-)
a. Pembelajaran terawasi (supervised learning)
Metode pembelajaran pada jaringan syaraf disebut terawasi jika output yang
diharapkan telah diketahui sebelumnya. Pada proses pembelajaran, satu pola
input akan diberikan ke satu neuron pada lapisan input. Pola ini akan
dirambatkan di sepanjang jaringan syaraf hingga sampai ke neuron pada
lapisan output. Lapisan output ini akan membangkitkan pola output yang
nantinya akan dicocokkan dengan pola output targetnya. Apabila terjadi
perbedaan antara pola output hasil pembelajaran dengan pola target, maka
disini akan muncul error. Apabila nilai error ini masih cukup besar,
mengindikasikan bahwa masih perlu dilakukan lebih banyak pembelajaran
lagi.Terdapat berbagai tipe pembelajaran terawasi beberapa diantaranya Hebb
Rule, Perceptron, Delta Rule, Backpropagation, Heteroassociative Memory,
Bidirectional Associative Memory (BAM), Learning Vector Quantization
(LVQ).
44
Penelitian ini akan menggunakan propagasi balik (backpropagation)
sebagai metode pembelajaran. Propagasi balik merupakan algoritma
pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan
banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-
neuron yang ada pada lapisan tersembunyinya. Algoritma propagasi balik
menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah
mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju
(forward propagation) harus dikerjakan terlebih dahulu. Pada saat perambatan
maju, neuron-neuron diaktifkan dengan menggunakan fungsi aktivasi sigmoid,
yaitu :
x
e
x f

+

1
1
) (
Algoritma backpropagation :
Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup
kecil).
Kerjakan langkah-langkah berikut selama kondisi berhenti bernilai
FALSE :
1. Untuk tiap-tiap pasangan elemen yang akan dilakukan pembelajaran,
kerjakan :
Feedforward :
a. Tiap-tiap unit input (X
i
, i=1,2,3,...,n) menerima sinyal x
i
dan
meneruskan sinyal tersebut ke semua unit pada lapisan yang ada
diatasnya (lapisan tersembunyi).
45
b. Tiap-tiap unit tersembunyi (Z
j
, j=1,2,3,...,p) menjumlahkan sinyal-
sinyal input terbobot :

+
n
i
i2 i 2 2
v x v in 3
1
+
M
Gunakan fungsi aktivasi untuk menghitung sinyal outputnya :
Z
j
= f(z_in
j
)
Dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya
(unit-unit output).
c. Tiap-tiap unit output (Y
k
, k=1,2,3,...,m) menjumlahkan sinyal-
sinyal input terbobot.

+
p
i
2k i k 2
w 3 w in y
1
+
M
Gunakan fungsi aktivasi untuk menghitung sinyal outputnya :
y
k
=f(y_in
k
)
Dan kirimkan sinyal tersebut ke semua unit dilapisan atasnya (unit-
unit output).
Backpropagation
d. Tiap-tiap unit output (Yk, k=1,2,3,...,m) menerima target pola yang
berhubungan dengan pola input pembelajaran, hitung informasi
error nya :
) M ( ) (
k k k k
in y f y t
Kemudian hitung koreksi bobot (yang nantinya akan digunakan
untuk memperbaiki nilai w
jk
) :
46
2 k 2k
3 4
Hitung juga koreksi bias (yang nantinya akan digunakan untuk
memperbaiki nilai w
0k
) :
k k
w
+
Kirimkan
k
ini ke unit-unit yang ada dilapisan bawahnya.
e. Tiap-tiap unit tersembunyi (Z
j
, j=1,2,3,...,p) menjumlahkan delta
inputnya (dari unit-unit yang berada pada lapisan diatasnya) :

m
i
2k k 2
w in
1
M
Kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk
menghitung informasi error :
) M ( M
2 2 2
in 3 f in
Kemudian hitung koreksi bobot (yang nantinya akan digunakan
untuk memperbaiki nilai v
ij
):
i 2 2k
x v
Kemudian hitung koreksi bias (yang nantinya akan digunakan
untuk memperbaiki nilai v
0j
):
2 2
v
+
f. Tiap-tiap unit output (Y
k
, k=1,2,3,...,m) memperbaiki bias dan
bobotnya (j=0,1,2,...,p):
2k 2k 2k
w lama w baru w + ) ( ) (
Tiap-tiap unit tersembunyi (Zj, j=1,2,3,...,p) memperbaiki bias dan
47
bobotnya (i=0,1,2,...,n)
i2 i2 i2
w lama v baru v + ) ( ) (
2. Tes Kondisi berhenti
b. Pembelajaran tak terawasi (unsupervised learning)
Pembelajaran tak terawasi tidak memerlukan target output. Pada metode
ini, tidak dapat ditentukan hasil yang seperti apakah yang diharapkan selama
proses pembelajaran. Selama proses pembelajaran, nilai bobot disusun dalam
suatu range tertentu tergantung pada nilai input yang diberikan. Tujuan
pembelajaran ini adalah mengelompokkan unit-unit yang hampir sama dengan
suatu area tertentu. Pembelajaran ini biasanya sangat cocok untuk
pengelompokan (klasifikasi) pola.Contoh metode pembelajaran tak terawasi
adalah jaringan kohonen (kohonen network)
2.1.*.) Jaringan S/araf Tir(an (nt(! predi!si data deret 9a!t(
,alam analisis sistem keuangan, kita mengenal dua penggunaan utama
model jaring syaraf tiruan, yaitu .
4odel )aringan Syaraf 1iruan digunakan sebagai model multi&agen/ dalam
hal ini neuron&neuron dipandang sebagai agen&agen pelaku ekonomi yang
saling berinteraksi satu sama lain yang menghasilkan fenomena yang
48
dilihat sebagai faktor agregasi dalam analisis yang dibangun. Hal ini dapat
dilihat dalam beberapa karya heuristik seperti dalam Iimmerman dkk,
*++1. ,alam sosiologi metode ini dapat ditemui dalam situngkir (*++-).
4odel )aringan Syaraf 1iruan digunakan sebagai perseptron (per5eptron)
yang mempelajari sebuah data deret waktu sedemikian hingga mampu
melakukan identifikasi dan aproksimasi dari data deret waktu tersebut.
Penelitian ini berkonsentrasi pada penggunaan model kedua, yaitu bagaimana
menggunakan model )aringan syaraf tiruan untuk melakukan prediksi atau
peramalan terhadap sebuah data keuangan deret waktu yang diberikan.
2.1.*.* 0alat Propagasi Bali! ,Error Back Propagation-
,alam menggunakan model )aringan syaraf tiruan dengan model $ varian
yang disebut sebagai Perseptron 4ulti 0apisan ($ulti 5ayer %erceptron) yang
memiliki n
i
lapisan masukan, n
h
lapisan tersembunyi, dan n
o
lapisan keluaran tidak
ada hubungan intra lapisan atau loop dengan topologi standard. n
i
&n
h
&n
o
. 9ntuk
menentukan topologi dari jaring syaraf yang hendak digunakan untuk aproksimasi
data deret waktu sangat bergantung pada kerumitan data yang hendak
diaproksimasi. %ni merupakan bentuk pengaturan diri sendiri pada titik kritis ()elf
6rgani3ed 7riticallity) yang ditemui dalam model )aringan syaraf tiruan. )aringan
Syaraf multi lapisan pada dasarnya selalu dapat digambarkan sebagai sebuah
)aringan syaraf satu lapis. 1iap neuron akan dilatih sedemikian rupa untuk dapat
memahami data deret waktu yang kita berikan. 4odel latihan atau training yang
digunakan adalah pelatihan Dalat Propagasi @alik.
49
Pelatihan sebuah jaringan yang menggunakan propagasi balik terdiri atas
tiga langkah ('ristanto, *++!), yaitu .
a) Pelatihan pola input se5ara feedforward
b) Perhitungan dan back propagation dari kumpulan kesalahan.
c) Penyesuaian bobot
Sesudah pelatihan, aplikasi dalam )aringan hanya terdiri atas fase feed
forward. )ika pelatihan menjadi lambat, sebuah jaringan yang dilatih dapat
menghasilkan outputnya sendiri se5ara 5epat.
Dalat Propagasi @alik merupakan model training yang sangat populer
dikalangan pengguna model )aringan Syaraf 1iruan arus maju (multi layer feed
forward neural network). Dambar mekanisme Dalat Propagasi balik dapat dilihat
pada Dambar *.!. 4odel training galat propagasi balik merupakan aturan koreksi
kesalahan dimana kesalahan keluaran jaring syaraf dipropagasikan kembali
kedalam lapisan tersembunyi untuk diproses kembali.
0a&1ar 2.
0alat Propagasi Bali!
50
S(&1er 2 Sit(ng!ir dan s(r/a7 23331
Pada kondisi awal, jaring syaraf akan memberikan nilai a5ak untuk bobot
dan nilai bias dari masing&masing neuron. 'emudian kesalahan keluaran dengan
nilai bobot dan nilai bias tersebut akan dimasukkan lagi kedalam lapisan
tersembunyi demikian seterusnya hingga kesalahan minimum diperoleh. ,alam
tiap proses training kita dapati nilai kesalahan atau galat dan training akan
berhenti setelah nilai galat tertentu.
0a&1ar 2."
5onto% topologi 8aring S/araf 261 dengan t(8(an &en4apai nilai &ini&a
glo1al ata( titi! galat terenda%.
S(&1er 2 sit(ng!ir dan s(r/a7 23331
Setiap kali dilakukan iterasi atau ditemukannya nilai galat, maka nilai
faktor bobot akan berubah dengan metode gradient descent, dalam metode ini
51
nilai bobot akan diperbaharui.
Pada metode standard propagasi balik, gradient descent dan gradient
descent with momentum, proses pelatihan biasanya berjalan 5ukup lambat. 9ntuk
lebih memper5epat pelatihan, algoritma pelatihan selanjutnya diperbaiki dengan
dua alternatif, yaitu menggunakan teknik heuristik dan menggunakan teknik
optimasi numeris (pada 4"10"@ kedua metode ini disediakan dalam batch
mode).
,alam penelitian ini akan digunakan metode 8radient .esent with
momentum and Adaptive 5earning *ate (traingdx). ?ungsi 8radient .escent
dengan adaptive learning akan memperbaiki bobot&bobot berdasarkan gradient
descent dengan learning rate yang bersifat adaptive. Pada gradient descent
standard (traingd), selama proses pembelajaran, learning rate akan bernilai
konstan. "pabila learning rate terlalu tinggi, maka algoritma menjadi tidak stabil.
Sebaliknya, jika learning rate terlalu ke5il maka algoritma akan sangat lama dalam
men5apai kekonvergenan. 'ita akan sangat sulit untuk menentukan berapa nilai
learning rate yang optimal sebelum proses pelatihan berlangsung. Pada
kenyataannya, nilai learning rate yang optimal ini akan terus berubah selama
proses pelatihan seiring dengan berubahnya nilai fungsi kinerja. Pada gradient
descent dengan adaptive learning rate, nilai learning rate akan diubah selama
proses pelatihan untuk menjaga agar algoritma ini senantiasa stabil selama proses
pelatihan.
"lgoritma gradient descent dengan adaptive learning rate, dasarnya sama
dengan algoritma gradient descent standard dengan beberapa perubahan. Pertama&
52
tama dihitung terlebih dahulu nilai output jaringan dan error pelatihan. Pada setiap
epo5h, bobot&bobot baru dihitung dengan menggunakan learning rate yang ada.
'emudian dihitung kembali output jaringan dan error pelatihan. )ika
perbandingan antara error pelatihan yang baru dengan error pelatihan lama
melebihi maksimum kenaikan kinerja (max_perf_inc), maka bobot&bobot baru
tersebut akan diabaikan, sekaligus nilai learning rate akan dikurangi dengan 5ara
mengalikannya dengan lr_dec. Sebaliknya, apabila perbandingan antara error
pelatihan baru dengan error pelatihan lama kurang dari maksimum kenaikan
kinerja, maka nilai bobot&bobot akan dipertahankan, sekaligus nilai learning rate
akan dinaikkan dengan 5ara mengalikannya dengan lr_inc.
,engan 5ara ini, apabila learning rate terlalu tinggi dan mengarah ke
ketidakstabilan, maka learning rate akan diturunkan. Sebaliknya jika learning rate
terlalu ke5il untuk menuju konvergensi, maka learning rate akan dinaikkan.
,engan demikian, maka algoritma pembelajaran akan tetap terjaga pada kondisi
stabil.
Algoritma gradient descent with momentum and adaptive
learning(traingdx) merupakan penggabungan antara algoritma gradient
descent with adaptive learning(traingda) dan algoritma gradient descent with
momentum(traingdm). "lgoritma ini merupakan algoritma default yang
digunakan oleh matlab karena memiliki performa ke5epatan pelatihan yang tinggi.
2.2 Penelitian Terda%(l(
2.2.1 M(ltifra!tal
53
=aAdan (*++*) meneliti multifraktalitas pada %ndeks @ombay Sto5k
:F5hange (@S:) dan mengambil kesimpulan bahwa data deret waktu indeks @S:
berifat monofraktal dan dapat direpresentasikan oleh gerak brown sebagian.
3oon dan 2hoi (*++() melakukan penelitian pada pasar nilai tukar won
terhadap dolar dan 'GSP% ('orean Sto5k Pri5e %ndeF) dengan menggunakan
analisis =$S dan mengambil kesimpulan bahwa data tersebut memiliki
ke5enderungan efek tren yang bertahan dalam jangka panjang.
Hariadi dan Surya (*++-) melakukan penelitian pada tiga saham @:),
yaitu 1elkom, %ndosat dan H4 Sampoerna dan mendapatkan hasil bahwa saham&
saham tersebut memiliki ke5enderungan tren jangka pendek, artinya perubahan
nilai saham tidak dipengaruhi oleh perubahan nilai saham yang terpisah dalam
selang waktu lama. #ilai dimensi fraktal yang lebih dari 1,( mendukung
pernyataan pertama bahwa ketiga saham tidak memiliki ke5enderungan untuk
bertahan pada tren tertentu.
2.2.2 A+IMA
"nalisis teknikal berupaya untuk menguji data historis dalam memprediksi
harga saham guna melakukan pembelian atau penjualan suatu instrumen investasi
(?ernandeA&=odrigueA dkk, 1). 'arena kemampuannya tersebut, maka
penelitian mengenai analisis teknikal menjadi kajian yang menarik dibursa saham
luar negeri. Penelitian @ro5k dkk (1*) pada indeks ,ow )ones %ndustrial
"verage (,)%") di #ew 3ork Sto5k :F5hange (#3S:) menemukan bahwa
metode statistik sederhana seperti moving average lebih mampu menjelaskan
54
perilaku indeks harga saham dibandingkan metode&metode 5anggih seperti
simulasi bootstrap pada berbagai alternatif 7apital Assets %ricing $odel
(2"P4).
?ernandeA&=odrigueA dkk(1) melakukan penelitian mengenai teknikal
analisis pada $adrid )tock #xchange dengan menggunakan moving average
dengan periode yang berbeda&beda. Hal ini dilakukan untuk mengatasi kelemahan
yang ada pada penelitian @ro5k dkk (1). Hasil pada penelitian tersebut bahwa
technical trading rules memiliki kemampuan untuk mempredisi return saham.
Pada penelitian ?ernandeA&=odrigueA dkk (1) ini juga digunakan metode
"=%4" menggabungkan metode rata&rata bergerak dan autoregresi. Hasilnya
adalah bahwa metode "=%4" dapat meningkatkan akurasi dalam memprediksi
harga saham.
Parisi dan CasEueA (*+++) melakukan penelitian mengenai analisis
teknikal di pasar modal 2hili yaitu Santiago Sto5k :F5hange $ @olsa de 2omer5io
de Santiago. Pada penelitian ini Parisi dan CasEueA menggunakan metode analisis
teknikal seperti moving average dan trading range break out. Penelitian ini
menyimpulkan bahwa metode moving average ternyata mampu memberikan hasil
yang lebih baik.
Penerapan analisis teknikal dalam pasar uang juga telah dilakukan oleh
?ernandeA&=odrigueA dkk(*+++) yang melakukan analisis pada mata uang negara&
negara yang masuk dana :4S (#uropean $onetary )ystem). Penelitian ini
dilakukan dengan berlandaskan pada pesimisme terhadap kualitas model&model
peramalan kurs mata uang yang dipengaruhi tulisan 4eese dan =ogoff (18-)
55
yang menyatakan bahwa model dengan menggunakan variabel&variabel yang
memperkirakan nilai kurs mata uang tidak lebih baik daripada model sederhana
dalam analisis teknikal. Penelitian ?ernandeA&=odrigueA (*+++) menemukan
bahwa meskipun analisis teknikal mampu diterapkan dalam memperirakan kurs
mata uang asing, tetapi seringkali terdapat kesalahan prediksi.
?ernandeA&=odrigueA (*++1) melakukan penelitian lagi mengenai
penerapan analisis teknikal di pasar saham $adrid )tock #xchange. Penelitian ini
dilakukan dengan penelitian&penelitian yang telah dilakukan sebelumnya
kebanyakan masih menggunakan satu indikator saja yaitu moving average, untuk
memperbaiki penelitian yang telah ada tersebut maka juga dipergunakan indikator
moving average yang lain yaitu 8enerali3ed $oving Average seperti double
moving average. "=%4" akan bekerja dengan baik apabila data runut waktu yang
digunakan bersifat dependen atau berhubungan satu sama lain se5ara statistik
(Sugiarto dan Harijono, *+++).
Suhartono (*++() melakukan studi pada tingkat inflasi di %ndonesia, studi
ini melakukan pembandingan terhadap metode )aringan Syaraf 1iruan, "=%4",
dan "=%4"N ("=%4" dengan "nalisis intervensi dan Cariasi kalender). Hasil
studi ini menunjukkan bahwa ??## (9eed 9orward 'eural 'etwork) dengan
input model "=%4"N memberikan hasil terbaik untuk melakukan peramalan
inflasi di %ndonesia. Penelitian ini juga menunjukkan bahwa akurasi peramalan
dengan model "=%4"N mirip dengan hasil ??## dengan input yang berasal dari
"=%4"N.
#a5hrowi dan 9sman (*++6) melakukan studi pada %HSD dengan
56
menggunakan model D"=2H dan "=%4", hasil dari studi ini menunjukkan
bahwa model "=%4"(1,1,+) mempunyai kesalahan lebih ke5il dalam
memprediksi gerakan %HSD bila dibandingkan dengan 4odel D"=2H (*,*). Hal
ini disebabkan karena sulitnya mengidentifikasi variabel dominan yang dapat
menjelaskan %HSD. 4odel "=%4" 5enderung lebih unggul karena metode ini
hanya memerlukan variabel penjelas yang merupakan variabel itu sendiri di masa
lalu. @ila pergerakan variabel masa lalu sudah dapat men5erminkan semua
informasi yang dapat mempengaruhi variabel itu, variabel penjelas lain
peranannya menjadi sangat ke5il.
2.2.3 Jaringan S/araf Tir(an
Pada tahun 1!+, >arren S 452ullo5h dan >alter Pitts mengemukakan
pembuatan suatu model matematika dan sel urat syaraf dan menghasilkan
beberapa kesimpulan, yaitu aktivasi dari sebuah neuron 452ullo5h&Pitts berupa
angka biner, neuron dihubungkan se5ara langsung dengan bobot, sebuah koneksi
disebut excitatory, jika bobot bernilai positif, sedangkan yang lain disebut
inhibitory jika bernilai negatif, dan beberapa neuron mempunyai treshold yang
tetap, kalau input yang masuk ke neuron lebih besar dari ambang.
2oats dan ?ant (1-) menemukan bahwa )aringan Syaraf 1iruan lebih
baik dalam menentukan perusahaan yang sehat dan perusahaan yang mengalami
kesulitan ekonomi daripada multiple discriminant model. 0enard dkk (1(),
?let5her dan Doss (1-), dan Sal5henberger dkk (1*) menemukan bahwa
)aringan Syaraf 1iruan lebih unggul daripada logistic regression models.
57
2hiang, dkk (1<) menggunakan ??## dengan :ackpropagation (@P)
untuk melakukan peramalan nilai aset bersih $ 'et Asset +alue (#"C) mutual
funds. Prediksi dilakukan dengan menggunakan informasi ekonomi historis.
4ereka membandingkan dengan hasil yang didapatkan dari peramalan dengan
teknik ekonometrika tradisional dan menyimpulkan bahwa ## Omelampaui
model regresi se5ara signifikanP ketika tersedia data dalam jumlah terbatas.
'uo dkk (1<) mendapatkan bahwa faktor kualitatif, seperti efek politis,
selalu memainkan peran yang penting terhadap lingkungan pasar saham, dan
mengajukan sistem peramalan pasar saham yang 5erdas yang menggabungkan
faktor kuantitatif maupun kualitatif. Hal ini diraih dengan mengintegrasikan ##
dengan model fu33y delphi (@ojadAiev dan @ojadAiev, 16.hal 61)/ metode awal
digunakan untuk analisis kuantitatif dan integrasi keputusan, sementara metode
kedua digunakan sebagai dasar model kualitatif. 4ereka mengaplikasikan sistem
tersebut pada pasar saham 1aiwan.
'im dan 2hun (18) menggunakan %robabilistic ##(P##) yang telah
diperbaiki, disebut Arrayed %robabilistic 'etwork ("P#), untuk memprediksi
indeks pasar saham. ?itur esensial "P# adalah bahwa model ini menghasilkan
peramalan bertingkat dari nilai diskrit berganda alih&alih keluaran bipolar tunggal.
Sebagai bagian dari studi mereka, mereka menggunakan grafik kesalahan, yang
mem&benchmark dengan sebuah prediksi konstan, untuk membandingkan model
??## dengan @P dengan P##, "P#, recurrent ## (=##) dan case based
reasoning. 4ereka menyimpulkan bahwa "P# 5enderung untuk melampaui
58
jaringan recurrent dan @P, tetapi case base reasoning 5enderung melampaui
keseluruhan jaringan
?ranses (18) membandingkan antara metode )aringan Syaraf 1iruan
dengan metode prediksi berbasis regresi, diperkuat dengan penelitian 2astiglioni
(*++1) yang menyatakan model )aringan syaraf merupakan bentuk komplementer
dari model regresi dalam statistika, yaitu regresi non parametrik.
Iurada dkk (18) mengadakan penelitian apakah kompleksitas dari respon
mengukur dampak logistic regression atau neural network yang menghasilkan
ketepatan klasifikasi tertinggi untuk perusahaan &perusahaan yang mengalami
kesulitan keuangan (financially distressed firms). Penelitian ini menghasilkan
kesimpulan bahwa neural networks tidak lebih unggul dibandingkan logistic
regression models untuk traditional dichotomous response variable, tetapi lebih
unggul untuk financial distressed response variable yang lebih kompleks.
"iken dan @sat (1) menggunakan sebuah ??## yang dilatih dengan
"lgoritma Denetika untuk memprediksi nilai !reasury :ill "merika Serikat tiga
bulanan. 4ereka menyimpulkan bahwa ## bisa digunakan untuk memprediksi
nilai !reasury :ill dengan akurat.
:delman dkk (1) meneliti penggunaan ## dengan struktur identik dan
dilatih se5ara independen untuk mengidentifikasi kesempatan arbitrase pada
%ndeks "ll&Grdinaries "ustralia. 'eputusan perdagangan dibuat berdasar pada
konsensus non&anonim prediksi komite dan %ndeks Sharpe digunakan untuk
mendapatkan performa perdagangan out-of-sample. Hasil empiris menunjukkan
59
bahwa perdagangan teknikal berdasar pada prediksi ## melampaui strategi beli
dan tahan (buy-and-hold) ataupun prediksi naif. 4ereka menyimpulkan bahwa
reliabilitas prediksi jaringan dan karenanya kinerja perdagangan meningkat se5ara
dramatis dengan menggunakan ambang perdagangan dan pendekatan komite
(menghasilkan beberapa jaringan dengan keluaran baik alih&alih hanya satu
jaringan).
1hammano (1) menggunakan model neuro-fu33y untuk memprediksi
nilai masa depan bank pemerintah terbesar di thailand. 4asukan model adalah
harga penutupan untuk saat ini dan tiga bulan lalu, dan rasio keuntungan
=G"(*eturn 6n Assets), =G:(*eturn 6n #0uity) dan P$:(%rice #arning).
'eluaran model adalah harga saham untuk tiga bulan kedepan. ,ia menyimpulkan
bahwa arsitektur neuro-fu33y dapat mengenali karakteristik umum pasar saham
lebih 5epat dan lebih akurat daripada algoritma dasar propagasi balik. Selain itu
model ini juga dapat memprediksi kesempatan investasi pada kondisi krisis
ekonomi ketika pendekatan statistik tidak dapat memberikan hasil yang
memuaskan.
1rafalis (1) menggunakan ??## dengan @P dan perubahan mingguan
pada 1! indikator untuk meramal perubahan pada indeks saham SQP (++ selama
beberapa pekan. ,isamping itu sebuah metodologi untuk melakukan pre-
processing digunakan, yang mengikutsertakan diferensiasi dan normalisasi data,
berhasil diimplementasikan. 1ulisan tersebut mengajak pemba5a melalui proses
##.
60
1ansel dkk(1) membandingkan kemampuan optimisasi linier, ## dan
D" untuk memodelkan data runtun waktu menggunakan kriteria akurasi
permodelan, waktu terbaik dan waktu komputasional.4ereka menemukan bahwa
metode optimisasi linear memberikan estimasi terbaik, meskipun D" dapat
memberikan nilai yang sama jika batasan parameter dan resolusi dipilih dengan
tepat, tetapi ## menghasilkan estimasi yang salah.4ereka memberikan 5atatan
bahwa non&linearitas dapat diakomodasi oleh D" dan ## dan ## membutuhkan
latar belakang teoritis yang lebih sedikit.
Darliauskas (1) melakukan penelitian pada peramalan data runtun
waktu pasar saham menggunakan algoritma komputasional ## dihubungkan
dengan pendekatan fungsi kernel dan metode prediksi error rekursif. %de utama
pembelajaran ## dengan fungsi kernel adalah bahwa fungsi tersebut
menstimulasi perubahan bobot dalam kaitannya untuk men5apai konvergensi
target dan fungsi keluaran peramalan. ,ia menyimpulkan bahwa peramalan data
keuangan runtun waktu dengan )aringan Syaraf 1iruan lebih baik daripada
statistika klasik dan metode lainnya.
2han dkk (*+++) meneliti peramalan data keuangan runtun waktu
menggunakan ??## dan data perdagangan harian dari @ursa :fek Shanghai
(Shanghai Sto5k :Fhange). 9ntuk memperbaiki ke5epatan dan konvergensi
mereka menggunakan algoritma pembelajaran gradien konjugasi dan
menggunakan regresi linear berganda $ $ultiple 5inear *egression (40=) untuk
inisialisasi bobot. 4ereka menyimpulkan bahwa ## dapat memodelkan runtun
waktu se5ara memuaskan dan pendekatan pembelajaran dan inisialisasi mengarah
61
pada perbaikan pembelajaran dan penurunan biaya komputasi.
'im dan Han (*+++) menggunakan ## yang dimodifikasi dengan D"
untuk memprediksi %ndeks harga saham. ,alam penelitian ini, D" digunakan
untuk mengurangi kompleksitas fitur ruang, dengan mengoptimisasi ambang
untuk diskritisasi fitur, dan untuk mengoptimalkan bobot hubungan antar lapisan.
Sasaran mereka adalah menggunakan diskritisasi fitur yang di5ari se5ara global
untuk mengurangi dimensionalitas ruang fitur, mengeliminasi faktor yang tidak
relevan, dan mengurangi batasan penurunan gradien. 4ereka menyimpulkan
bahwa pendekatan D" melampaui model konvensional.
=omahi dan Shen (*+++) mengembangkan sistem pakar yang berdasar
pada aturan yang berevolusi untuk peramalan keuangan. Pendekatan mereka
menggabungkan 9u33y 5ogic(?0) dan induksi aturan dengan tujuan untuk
mengembangkan sebuah sistem dengan kemampuan generalisasi dan
komprehensibilitas yang tinggi. ,engan 5ara ini perubahan dinamika pasar
dimasukkan se5ara berkelanjutan dalam perhitungan sesuai dengan perubahan
waktu dan aturan yang mendasari tidak menjadi daluwarsa. 4ereka
menyimpulkan bahwa metodologi yang digunakan menunjukkan hasil yang
menjanjikan.
"braham dkk (*++1) menginvestigasi teknik soft computing (S2) hibrid
untuk peramalan dan analisis tren pasar saham terotomatisasi. 4ereka
menggunakan analisis komponen utama untuk melakukan pre-procesing data
masukan, ## untuk peramalan saham satu hari kedepan dan sistem neuro&fuAAy
untuk menganalisis tren untuk nilai saham yang diprediksi. 9ntuk
62
mendemonstrasikan teknik yang diajukan, mereka menganalisis data saham *!
bulan dari indeks utama #asdaE&1++ dan juga enam perusahaan yang terdapat
didalamnya. 4ereka menyimpulkan bahwa hasil peramalan dan prediksi tren
menggunakan sistem hibrid yang diajukan menjanjikan dan membutuhkan analisis
dan penelitian lanjutan.
2ao dan 1ay (*++1) menggunakan )upport +ector $achines (SC4) untuk
mempelajari harga indeks harian SQP (++. generalisasi error dengan
memperhitungkan parameter bebas SC4 dipelajari dan ditemukan memiliki
dampak yang ke5il terhadap solusi. 4ereka menyimpulkan bahwa terdapat
keunggulan dalam penggunaaan SC4 untuk melakukan peramalan data keuangan
runtun waktu.
Hwarng (*++1) menginvestigasi peramalan ## runtun waktu dengan
struktur "=4"(p,E). 4enggunakan simulasi dan performa model @oF&)enkins
sebagai ben5hmark. ,isimpulkan bahwa ??## dengan @P se5ara umum
berkinerja baik dan konsisten untuk korespondensi runtun waktu struktur
"=4"(p,E). 4enggunakan desain blok penelitian lengkap tera5ak, dia
menyimpulkan bahwa se5ara keseluruhan, untuk sebagian besar struktur, ??##
dengan @P memiliki kinerja lebih baik se5ara signifikan ketika tingkat gangguan
tertentu diperhitungkan ketika pelakukan pelatihan dalam jaringan.
Surya dan situngkir (*++-a) menggunakan permodelan )aringan syaraf
tiruan untuk tujuan peramalan (forecasting) data keuangan deret waktu P1 1elkom
%ndonesia selama tahun *+++ dan menghasilkan analisis regresi (ke5o5okan linier)
dari data yang ditraining keakuratan data yang diaproksimasi dan diprediksi telah
63
sangat baik (garis ke5o5okan linier berimpit dengan garis yang memetakan hasil
aproksimasi dan target data yang diaproksimasi), tetapi perlu ditambahkan data
untuk training jaring syaraf untuk memperkuat hasil analisis.
Surya dan Situngkir (*++-b) melakukan prediksi pada fluktuasi harga
saham (closing) P1 1elkom untuk data deret waktu dari tahun awal 1- hingga
pertengahan *++- dengan menggunakan metode )aringan syaraf tiruan yang
dilengkapi dengan peta poin5are dalam persepsi model jaring syaraf yang dibuat
untuk tujuan prediksi, menghasilkan hasil aproksimasi dan prediksi sangat baik
dengan gradient mendekati 1 (R+,<<).
2.3 Kerang!a Pe&i!iran
%ndeks 07 !( terdiri atas !( saham ter&li0uid dengan nilai kapitalisasi
besar dan memiliki fundamental yang baik. Penelitian diawali dengan melihat
multifraktalitas pada %ndeks 07 !( periode )anuari 16 S "pril *++6. )ika data
bersifat multifraktal maka terdapat implikasi bahwa terdapat persistensi dan
ke5enderungan tren pada data deret waktu sehingga memungkinkan untuk
dilakukan peramalan pada data deret waktu yang ada.
Peramalan %ndeks 07 !( dilakukan dengan dua metode yaitu "=%4"
(Autoregressive Integrated $oving Average) dan Artificial 'eural 'etwork
("##). ,ata yang ada dibagi menjadi dua bagian yaitu periode model (in-sample)
dan periode prediksi(out-sample). Pembentukan model dilakukan dengan
menggunakan data yang terdapat pada periode model. Setelah diperoleh model
terbaik dari tiap metode yang dapat digunakan untuk melakukan peramalan,
dilakukan peramalan dengan model tersebut. 9ntuk mengetahui performa tiap
64
metode peramalan, dilakukan peramalan baik pada data periode pembentukan
model (In )ample), maupun periode testing (out sample) dengan menggunakan
nilai 4S: ($ean )0uared #rror). #ilai 4S: dari kedua metode yang digunakan
dibandingkan untuk mendapatkan metode yang memberikan tingkat kesalahan
yang lebih ke5il dibanding metode lainnya.
'erangka Pemikiran diatas disajikan dalam bentuk gambar pada gambar
*.<
0a&1ar 2.$
Kerang!a Pe&i!iran
65
66