Anda di halaman 1dari 6

ANALISIS METODE FIRST ORDER AND TIME INVARIANT MODEL

UNTUK PERAMALAN HARGA SAHAM


Reny Fitri Yani1, Luh Kesuma Wardhani2, Febi Yanto3
Jurusan Teknik Informatika, Fakultas Sains dan Teknologi
Universitas Islam Negeri Sultan Syarif Kasim Riau
Jl. H. R. Subrantas No. 155, Pekanbaru 28293
1
reny_yani@yahoo.com , 2 luhkesuma@uin.suska.ac.id, 3ebied91@yahoo.com

Abstrak
Peramalan (forecasting) merupakan suatu cara untuk memperkirakan suatu nilai di masa depan dengan
menggunakan data masa lalu. Salah satu metode dalam melakukan peramalan adalah metode Fuzzy Time series
(FTS). Pada penelitian ini dilakukan analisis terhadap metode First Order and Time Invariant Model untuk
melihat efektifitas hasil ramalan data time series . Pada tahap pembagian interval data time series digunakan
metode Frequency Density Based Partitioning (FDBP. Data time series yang digunakan sebagai data untuk uji
coba adalah data harga saham dari 3 perusahaan yaitu Amazon.com, Inc, Bank Mandiri Tbk dan Unilever
Indonesia Tbk. Pengujian yang dilakukan meliputi pengujian efektifitas peramalan (dalam %) yang diukur
menggunakan metode Average Forecasting Error Rate (AFER). Dari hasil pengujian diperoleh rata-rata nilai
AFER dari pengujian peramalan berada dibawah 2,5 %, sehingga dapat dikatakan bahwa peramalan
menggunakan metode tersebut mempunyai akurasi peramalan yang cukup baik. Berdasarkan hasil pengujian
dengan menggunakan data harga saham dari tiga perusahaan tersebut selama 1 tahun, 6 bulan, 3 bulan, 2 bulan
dan 1 bulan dapat disimpulkan bahwa metode First Order and Time Invariant Model memberikan nilai error
yang relatif kecil jika digunakan untuk meramalkan harga saham yang pola datanya relatif konstan atau
stationer.
Kata kunci : Fuzzy Time series, First Order and Time Invariant Model, Saham

1. Pendahuluan
Peramalan (forecasting) memiliki peran yang
cukup penting dalam melakukan pengambilan
keputusan, yaitu bagaimana membuat perencanaan
untuk masa depan yang lebih baik dari sebelumnya
berdasarkan data masa lalu atau berdasarkan
pengalaman seseorang dalam lingkungan perusahaan
maupun pemerintahan.
Peramalan menggunakan data masa lalu (data
historis) dapat dilakukan menggunakan metode
Fuzzy Time series (FTS). FTS adalah metode
peramalan data yang menggunakan prinsip-prinsip
fuzzy sebagai dasarnya. Sistem peramalan dengan
metode FTS bekerja dengan melihat pola dari data
yang telah lalu kemudian digunakan untuk
memproyeksikan data yang akan datang. Prosesnya
juga tidak membutuhkan suatu sistem pembelajaran
dari sistem yang rumit sebagaimana yang ada pada
algoritma genetika dan jaringan syaraf, sehingga

mudah untuk dikembangkan [2]. Kelebihan lainnya


dari metode ini adalah dapat menyelesaikan masalah
peramalan yang data historisnya berupa nilai-nilai
linguistik
Berbagai
penelitian
terhadap
masalah
peramalan dengan menggunakan metode FTS telah
banyak dipelajari dan dikembangkan oleh beberapa
peneliti diantaranya adalah: Song dan Chissom [7]
menggunakan metode fuzzy time series
untuk
mengatasi masalah peramalan terhadap data historis
yang berupa nilai-nilai linguistik, Jilani dkk [3]
menggunakan metode baru dalam pembagian
interval yaitu frequency density based partitioning
yang menghasilkan hasil peramalan yang lebih
akurat dibandingkan dengan menggunakan metode
pembagian interval biasa pada metode fuzzy time
series , Lazim Abdullah dkk [1] membandingkan dua
metode untuk pembagian interval yaitu Randomly
Chosen Length of Interval (RCLI) dengan
Frequency Density Based Partitioning (FDBP)

untuk meramal composite index yang memberikan


kesimpulan
bahwa
pembagian
interval
menggunakan FDBP menghasilkan peramalan yang
lebih akurat dibandingkan dengan RCLI, dan Melike
Sah dkk [6] menggunakan metode baru pada model
first order and time invariant fuzzy time series
dengan metode pembagian interval biasa yang
menghasilkan hasil ramalan lebih akurat dibanding
metode time invariant fuzzy time series biasa.
Berdasarkan penelitian sebelumnya, maka pada
penelitian ini dilakukan analisis dari salah satu dari
model-model fuzzy time series
yang telah
dikembangkan yaitu first-order and time invariant
model. Metode ini sebelumnya telah digunakan
untuk meramalkan jumlah mahasiswa yang
mendaftar di Universitas Alabama. Pada penelitian
ini digunakan juga metode pembagian interval
Frequency Density Based Partitioning (FDBP) yang
memberikan hasil ramalan lebih akurat [3].
Pada penelitian ini, data time series yang
digunakan merupakan data harga saham penutupan
dan tidak menggunakan data eksternal lainnya dalam
melakukan peramalan. Metode first-order and time
invariant model diujicobakan pada data time series
yang berbeda jumlahnya yaitu dari jumlah data
selama 1 tahun, 6 bulan, 3 bulan , 2 bulan dan 1
bulan. Adapun tujuan dari penggunaan jumlah data
yang berbeda adalah untuk melihat efektifitas hasil
ramalan yang didapatkan (dalam %).
2. Landasan Teori
2.1

Himpunan Fuzzy (Fuzzy Sets)

Himpunan fuzzy pertama kali dikembangkan


pada tahun 1965 oleh Prof. Lotfi Zadeh yang
didasarkan pada gagasan untuk memperluas
jangkauan fungsi karakteristik sehingga fungsi
tersebut akan mencakup bilangan real pada interval.
Himpunan fuzzy digunakan untuk mengantisipasi
nilai-nilai yang bersifat tidak pasti. Pada himpunan
tegas (crisp), nilai keanggotaan suatu item dalam
suatu himpunan dapat memiliki dua kemungkinan,
yaitu satu (1) yang berarti bahwa suatu item menjadi
anggota dalam satu himpunan, atau nol (0), yang
berarti suatu item tidak menjadi anggota dalam suatu
himpunan [4].
Pada himpunan fuzzy nilai keanggotaan
terletak pada rentang 0 sampai 1, yang berarti
himpunan fuzzy dapat mewakili intreprestasi tiap
nilai berdasarkan pendapat atau keputusan dan
probabilitasnya. Nilai 0 menunjukan salah dan nilai
1 menunjukan benar dan masih ada nilai-nilai yang
terletak antara benar dan salah. Dengan kata lain
nilai kebenaran suatu item tidak hanya benar atau
salah.
Himpunan fuzzy memiliki dua atribut, yaitu:
a. Linguistik, yaitu penamaan suatu grup yang
mewakili suatu keadaan atau kondisi tertentu
dengan menggunakan bahasa alami, seperti pada

suhu yaitu dingin, sejuk, normal, hangat, dan


panas.
b. Numeris, yaitu suatu nilai (angka) yang
menunjukan ukuran dari suatu variabel seperti:
60, 75, 80 dan sebagainya.
Dalam himpunan fuzzy terdapat istilah semesta
pembicaraan yang merupakan keseluruhan nilai
yang diperbolehkan untuk dioperasikan dalam suatu
variabel fuzzy. Semesta pembicaraan merupakan
himpunan bilangan real yang senantiasa naik atau
bertambah secara monoton dari kiri ke kanan. Nilai
semesta pembicaraan dapat berupa bilangan positif
maupun negatif. Contoh semesta pembicaraan untuk
variabel temperatur [-1,28 ].
2.2

Fuzzy Time series (FTS)

Fuzzy time series


merupakan metode
peramalan data yang menggunakan konsep fuzzy
sets sebagai dasar perhitungannya. Sistem peramalan
dengan metode ini bekerja dengan menangkap pola
dari data yang telah lalu kemudian digunakan untuk
memproyeksikan data yang akan datang. Prosesnya
juga tidak membutuhkan suatu sistem pembelajaran
dari sistem yang rumit sebagaimana yang ada pada
algoritma genetika dan jaringan syaraf sehingga
mudah untuk digunakan dan dikembangkan [2].
Song dan Chissom [7] menggambarkan metode
fuzzy time series berdasarkan himpunan fuzzy
diskrit. Himpunan fuzzy diskrit tersebut dapat
digambarkan sebagai berikut:
Misalkan U adalah semesta pembicaraan,
dimana U={u1,u2,..,un}. Maka sebuah himpunan
fuzzy A i dari U digambarkan sebagai:
A i = A i (1)/1 + A i (2)/2 + .... + A i
(n)/n
Dimana A i adalah fungsi keanggotaan dari A
i, A i : U [0,1]. A i (ui) merupakan nilai
keanggotaan dari ui dalam A i, A i (i)[0,1] dan
1i n.
Selanjutnya, Song dan Chissom (1993a,b,
1994) memberikan definisi dari fuzzy time series .
Definisinya dapat dijelaskan sebagai berikut:
Definisi 1: Y(t) (t=,0,1,2,), adalah
merupakan himpunan bagian dari R. Misalkan Y(t)
adalah himpunan semesta yang digambarkan oleh
himpunan fuzzy i(t). Jika F(t) terdiri dari i(t)
(i=1,2,), F(t) disebut sebuah fuzzy time series
pada Y(t).
Definisi 2: Jika ada sebuah fuzzy relationship
R(t-1,t), seperti yang F(t)= F(t-1) R(t-1,t), dimana
adalah sebuah operator aritmatika, kemudian F(t)
dikatakan karena F(t-1). Hubungan antara F(t) dan
F(t-1) dapat dinotasikan oleh F(t-1)F(t).
Definisi 3:Andaikan F(t) hanya diperhitungkan
oleh F(t-1), dan F(t)=F(t-1) R(t-1,t). Untuk t, jika
R(t-1,t) tidak tergantung dari t, kemudian F(t) di
dipertimbangkan sebagai time-invariant time series .
Jika tidak, F(t) adalah time-variant time series .

Definisi 4: Andaikan F(t-1)= A i dan F(t)= A j,


sebuah fuzzy logical relationship dapat digambarkan
sebagai A i A j, dimana A i dan A i disebut sisi
kiri dan sisi kanan dari fuzzy logical relationship,
berturut-turut.

2.3

First Order and Time Invariant Model of


Fuzzy Time Series

Metode fuzzy time series


telah banyak
mengalami perkembangan, dibuktikan dengan
banyaknya model-model dari metode fuzzy time
series saat ini, salah satunya adalah first order and
time invariant model. Model ini pertama kali
diusulkan oleh Song dan Chissom pada tahun 1993.
Namun, perbedaan dari model first order and time
invariant model yang akan digunakan pada
penelitian ini dengan model dari metode fuzzy time
series lainnya terletak dari penggunaan data selisih
antar data time series sebagai penentuan interval.
Perbedaan lainnya adalah penggunaan metode
Frequency Density Based Partitioning (FDBP).
Berikut langkah-langkah dari first order and time
invariant model [6] serta pembagian interval dengan
menggunakan metode FDBP [3] secara keseluruhan:
1. Dari data time series , terlebih dahulu hitung
selisih antara data-data time series .
2. Tentukan semesta pembicaraan, misal U
berdasarkan selisih dari data-data time series
yang telah dihitung sebelumnya dan bagi
kedalam beberapa interval yang memiliki
panjang interval sama dengan rumus sebagai
berikut:
U = [Dmin-D1,Dmax+D2]
(1)
3. Dimana Dmin dan Dmax adalah nilai minimal
dan maksimal dari data time series , dan D1 dan
D2 adalah bilangan positif. Pemberian untuk
nilai D1 dan D2 adalah secara acak atau
sembarangan, karena tujuan dari adanya
penambahan nilai dari D1 dan D2 yaitu berupa
bilangan positif untuk Dmax dan Dmin ini adalah
untuk mempermudah pembagian interval [5],
dimana besar dan kecilnya nilai D1 dan D2 yang
diinputkan akan menghasilkan nilai ramalan
yang berbeda-beda.
4. Selanjutnya, bagi semesta pembicaraan U
kedalam sejumlah n panjang interval yang sama
dan telah ditentukan terlebih dahulu u1,u2,u3,
..,un dengan panjang interval l dapat dicari
dengan rumus:
L = 1/n [(Dmax+D2)-(Dmin-D1)]
(2)
5. Dari interval yang telah didapat, maka tentukan
jumlah data dari selisih antara data-data time
series
yang termasuk kedalam range dari
interval-interval yang ada.
6. Setelah itu, urutkan interval berdasarkan jumlah
selisih antara data-data time series
yang

termasuk dalam range interval tersebut di tiap


interval dari yang tinggi ke rendah.
7. Selanjutnya, temukan interval yang memiliki
jumlah selisih antara data-data time series
tertinggi yang termasuk dalam range interval
tersebut dan bagi kedalam 4 subinterval dengan
panjang interval sama.
8. Kemudian, temukan interval yang memiliki
jumlah selisih antara data-data time series nomor
dua tertinggi yang termasuk dalam range interval
tersebut dan bagi kedalam 3 subinterval dengan
panjang interval sama.
9. Temukan lagi interval yang memiliki jumlah
selisih antara data-data time series nomor tiga
tertinggi yang termasuk dalam range interval
tersebut dan bagi kedalam 2 subinterval dengan
panjang interval sama.
10. Terakhir, Temukan lagi interval yang memiliki
jumlah selisih antara data-data time series nomor
empat tertinggi yang termasuk dalam range
interval tersebut dan biarkan panjang interval
tetap tanpa membaginya lagi. Jika ada interval
yang tidak memiliki selisih antara data-data time
series yang termasuk dalam range interval
tersebut, maka interval tidak perlu dimasukkan
lagi.
11. Selanjutnya, tentukan tiap-tiap himpunan fuzzy
Ai sebanyak interval yang telah dibagi
sebelumnya dan sesuaikan dengan selisih antara
data-data time series yang termasuk dalam range
interval tersebut. Ai dinotasikan sebagai sebuah
nilai linguistik dari selisih antara data-data time
series yang diberikan oleh himpunan fuzzy.
Untuk
menyederhanakan,
maka
nilai
keanggotaan dari himpunan fuzzy Ai berada
diantara 0, 0.5, 1 dimana 1in , n adalah jumlah
interval yang telah dibagi sebelumnya, dimana
ketentuannya sebagai berikut:

{ {

1
uij= 0.5
0

if j=i
if j=i1 ataui+1
Yang lainnya

Tentukan fuzzy logical relationship Ai Aj


berdasarkan nilai linguistik Ai yang telah
ditentukan pada langkah sebelumnya, dimana Ai
adalah tahun n-1 dan Aj tahun n pada data
historis.
12. Gabungkan fuzzy logical relationship menjadi
fuzzy logical relationship Group, dimulai dari sisi
kiri yang sama.
13. Meramalkan output peramalannya dan lakukan
defuzzifikasi, dengan rule sebagai berikut:
a. Jika semua nilai outputnya nol maka variasi
peramalannya 0.
b. Jika nilai keanggotaan dari outputnya memiliki
satu maximum maka titik tengah interval dimana
nilai ini dicapai adalah variasi peramalan.

c.
d.

Jika nilai keanggotaan dari outputnya memiliki


dua atau lebih maximum, maka titik tengah
intervalnya digunakan sebagai variasi peramalan.
Selain itu, menstandardisasi output fuzzy dan
gunakan nilai tengah dari tiap interval dengan
menggunakan metode centroid untuk perhitungan
difuzzifikasi variasi ramalan. Berikut rumus dari
metode centroid :

y =

y R( y )
R( y )

(3)
- Dimana y adalah nilai crisp dan _R (y)adalah
derajat keanggotaan dari y [8].
- Hitung hasil peramalan, dengan menambahkan
output variasi peramalan tahun yang akan
diramal n pada tahun sebelumnya n-1.
14. Hitung hasil peramalan dengan menambahkan
output selisih dari data time series peramalan
tahun yang akan diramal n pada tahun
sebelumnya n-1.
3. Implementasi Perangkat Uji Coba
Perangkat uji coba untuk peramalan harga
saham ini berupa sebuah sistem peramalan yang
menerapkan model dari metode FTS yaitu First
Order and Time Invariant Model dan menggunakan
metode Frequency Density Based Partitioning
(FDBP) sebagai metode untuk pembagian interval.
Data masukan untuk melakukan peramalan adalah
data time series dari harga saham, yang selanjutnya
akan diproses dengan perhitungan menggunakan
model dari metode FTS. Untuk lebih jelasnya
gambaran umum sistem dapat dilihat pada Gambar 1
berikut.

Gambar 1. Gambaran Umum Sistem


Berdasarkan Gambar 1 dapat diketahui bahwa
rancang bangun dari sistem peramalan ini memiliki
beberapa proses berupa data masukan, proses utama
dan keluaran yang dapat dijelaskan sebagai berikut:
1. Data masukan yang dibutuhkan oleh sistem
berupa time series
dari harga saham yang
selanjutnya akan di proses oleh sistem
menggunakan konsep dari model FTS.
2. Proses Utama, menyatakan proses-proses utama
yang terdapat pada rancang bangun sistem

peramalan, yaitu dimulai dari proses penentuan


selisih dari data time series untuk penentuan
interval. Selanjutnya, dari interval yang telah
ditentukan akan di bagi lagi menjadi beberapa
interval menggunakan metode Frequency Density
Based Partitioning (FDBP). Setelah proses
pembagian interval, maka dilakukan perhitungan
untuk menentukan hasil peramalan mengunakan
model dari metode FTS yaitu, first order and time
invariant model.
3. Keluaran merupakan hasil dari proses-proses
utama yang terjadi pada sistem. Output dari sistem
berupa hasil peramalan terhadap semua harga
saham dan untuk harga saham hari berikutnya
serta persentase error yang juga ditampilkan
dalam bentuk grafik agar lebih jelas serta mudah
dimengerti.
4. Pengujian
Pengujian dilakukan dengan menggunakan
data time series harga saham dari 3 perusahaan
yaitu Amazon.com, Inc, Bank Mandiri Tbk, Unilever
Indonesia Tbk yang diambil dari situs
finance.yahoo.com.
Dari Pengujian yang telah dilakukan dapat
diambil beberapa kesimpulan. Adapun kesimpulan
dari hasil pengujian berdasarkan jumlah data harga
saham dan jumlah interval yang diinputkan dapat
dilihat pada Tabel 1 dengan keterangan sebagai
berikut :
1. Hasil pengujian peramalan terhadap harga saham
dengan jumlah data selama 1 tahun yaitu pada
tahun 2011:
a. Hasil pengujian peramalan harga saham selama 1
tahun yaitu tahun 2011 pada perusahaan
Amazon.com, Inc dengan jumlah inputan
interval 10 yang memberikan persentase error
(AFER) terkecil yaitu sebesar 1,73295 %.
b. Hasil pengujian peramalan harga saham l selama
1 tahun yaitu tahun 2011 pada perusahaan Bank
Mandiri Tbk dengan jumlah inputan interval 7
yang memberikan persentase error (AFER)
terkecil yaitu sebesar 1,9432 %.
c. Hasil pengujian peramalan harga saham selama 1
tahun yaitu tahun 2011 pada perusahaan Unilever
Indonesia Tbk dengan jumlah inputan interval 9
yang memberikan persentase error (AFER)
terkecil yaitu sebesar 1,2529 %.
2. Hasil pengujian peramalan terhadap harga saham
dengan jumlah data selama 6 bulan dari bulan
Januari s/d Juni 2012:
a. Persentase error (AFER) yang didapatkan dari
hasil peramalan pada perusahaan Amazon.com,
Inc dengan jumlah inputan interval 7 yang
memberikan persentase error (AFER) terkecil
yaitu sebesar 1,4137 %.

b. Persentase error (AFER) yang didapatkan dari


hasil peramalan pada perusahaan Bank Mandiri
Tbk dengan jumlah inputan interval 9 yang
memberikan persentase error (AFER) terkecil
yaitu sebesar 1,2057 %.
c. Persentase error (AFER) yang didapatkan dari
hasil peramalan pada perusahaan Unilever
Indonesia Tbk dengan jumlah inputan interval 11
yang memberikan persentase error (AFER)
terkecil yaitu sebesar 1,4575 %.

Tbk dengan jumlah inputan interval 10 yang


memberikan persentase error (AFER) terkecil
yaitu sebesar 1,3087 %.
c. Persentase error (AFER) yang didapatkan dari
hasil peramalan pada perusahaan Unilever
Indonesia Tbk dengan jumlah inputan interval 11
yang memberikan persentase error (AFER)
terkecil yaitu sebesar 0,544 %.

3. Hasil pengujian peramalan terhadap harga saham


dengan jumlah data selama 3 bulan dari bulan Juni
s/d Agustus 2012:
a. Persentase error (AFER) yang didapatkan dari
hasil peramalan pada perusahaan Amazon.com,
Inc dengan jumlah inputan interval 8 yang
memberikan persentase error (AFER) terkecil
yaitu sebesar 1,0204 %.
b. Persentase error (AFER) yang didapatkan dari
hasil peramalan pada perusahaan Bank Mandiri
Tbk dengan jumlah inputan interval 8 yang
memberikan persentase error (AFER) terkecil
yaitu sebesar 1,5161 %.
c. Persentase error (AFER) yang didapatkan dari
hasil peramalan pada perusahaan Unilever
Indonesia Tbk dengan jumlah inputan interval 11
yang memberikan persentase error (AFER)
terkecil yaitu sebesar 1,3767 %.

Tabel 1. Kesimpulan Hasil Pengujian

4. Hasil Pengujian peramalan terhadap harga saham


dengan jumlah data selama 2 bulan dari bulan Juli
s/d Agustus 2012:
a. Persentase error (AFER) yang didapatkan dari
hasil peramalan pada perusahaan Amazon.com,
Inc dengan jumlah inputan interval 10 yang
memberikan persentase error (AFER) terkecil
yaitu sebesar 0,9861 %.
b. Persentase error (AFER) yang didapatkan dari
hasil peramalan pada perusahaan Bank Mandiri
Tbk dengan jumlah inputan interval 7 yang
memberikan persentase error (AFER) terkecil
yaitu sebesar 1,4414 %.
c. Persentase error (AFER) yang didapatkan dari
hasil peramalan pada perusahaan Unilever
Indonesia Tbk dengan jumlah inputan interval 10
yang memberikan persentase error (AFER)
terkecil yaitu sebesar 0,9685 %.
5. Hasil pengujian peramalan terhadap harga saham
dengan jumlah data selama 1 bulan pada bulan
Agustus 2012:
a. Persentase error (AFER) yang didapatkan dari
hasil peramalan pada perusahaan Amazon.com,
Inc dengan jumlah inputan interval 9 yang
memberikan persentase error (AFER) terkecil
yaitu sebesar 0,3974 %.
b. Persentase error (AFER) yang didapatkan dari
hasil peramalan pada perusahaan Bank Mandiri

5. Kesimpulan
Setelah menyelesaikan serangkaian tahapantahapan dalam menerapkan salah satu model dari
metode FTS yaitu first order and time invariant
model maka dapat ditarik kesimpulan yaitu:
1. Dari hasil pengujian pada perusahaan
Amazon.com, Inc, Bank Mandiri Tbk dan
Unilever Indonesia Tbk maka didapat persentase
error pada umumnya dibawah 2,5% sehingga
dapat dikatakan mempunyai akurasi peramalan
yang cukup baik.
2. Penurunan atau kenaikan harga saham pada
perusahaan yang cukup tinggi dari pada harga
sebelumnya menjadi penyebab selisih yang
cukup besar antara harga saham yang sebenarnya
dengan hasil ramalan.
3. Berdasarkan hasil pengujian dapat disimpulkan
bahwa penggunaan salah satu model dari metode
FTS yaitu first order and time invariant model
dan FDBP untuk pembagian interval akan
memberikan nilai error yang relatif kecil jika
digunakan untuk meramalkan harga saham yang
pola datanya relatif konstan atau tidak terlalu
fluktuatif.
4. Berdasarkan nilai standar deviasi yang didapat
dari data harga saham dapat disimpulkan bahwa
besarnya nilai standar deviasi suatu data harga
saham memiliki hubungan dengan nilai error dari

hasil peramalan yaitu semakin tinggi nilai standar


deviasi yang dihasilkan maka nilai error dari
hasil ramalan juga akan semakin tinggi dan
sebaliknya.
5. Semakin besar atau semakin kecil jumlah interval
yang diinputkan tidak mempunyai pengaruh
dengan semakin besar atau semakin kecil
persentase error (AFER) dari hasil peramalan.
6. Nilai persentase error (AFER) paling kecil dari
data-data harga saham yang telah diuji terdapat
pada data harga saham perusahaan Amazon.com
dengan jumlah data selama 1 bulan yaitu pada
bulan Agustus 2012 dikarenakan selisih antar
harga saham perharinya cukup kecil.
7. Nilai persentase error (AFER) paling besar dari
data-data harga saham yang telah diuji terdapat
pada data harga saham perusahaan Bank Mandiri
Tbk dengan jumlah data selama 1 tahun yaitu
tahun 2011 dikarenakan selisih antar harga saham
perharinya cukup besar.
Daftar Pustaka:
[1] Abdullah, L dan Ling, Yoke.,
2011,
Comparison of Two Partitioning Methods in a
Fuzzy Time series Model for Composite Index
Forecasting, Proceedings of International
Journal on Computer Science and Engineering,
vol.3 No. 4.
[2] Haris, M. Syauqi., 2010, Implementasi Metode

[3]

[4]
[5]

[6]

[7]
[8]

Fuzzy Time series Dengan Penentuan interval


Berbasis Rata-rata Untuk Peramalan Data
Penjualan Bulanan, Malang, Skripsi Sarjana,
Fakultas Matematika dan Ilmu Pengetahuan
Alam Universitas Brawijaya.
Jilani, T. A, Burney, S.M.A, dan Ardil, C.,
2007, Fuzzy Metric Approach for Fuzzy time
series
Forecasting based on Frequency
Density Based Partitioning, Proceedings of
World Academy of Science, Engineering and
Technology 34..
Kusumadewi, Sri., 2004, Artificial Intelegence,
Jogjakarta , Graha Ilmu.
Liu, Hao-Tien., 2007, An Improved Fuzzy Time
series Forecasting Method Using Trapezoidal
number Fuzzy Number, Fuzzy Optim Decis
Making, 6 : 63-80.
Sah, Melike dan Y. Degtiarev, Konstantin.,
2005, Forecasting enrollment Model Based on
First-Order Fuzzy Time series , Proceedings of
World Academy of Science, Engineering and
Technology 1.
Song, Q. dan Chissom, B. S., 1993,
Forecasting enrollments with fuzzy time series
-Part I, Fuzzy Sets and Systems, 54: 1-9.
Suyanto., 2007, Artificial Intelligence,
Bandung, Informatika.