Anda di halaman 1dari 7

IMPLEMENTASI METODE FUZZY TIME SERIES UNTUK

PERAMALAN HARGA SAHAM


Reny Fitri Yani1, Luh Kesuma Wardhani, MT2, Febi Yanto, M. Kom3
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 kesumaw@yahoo.com, 3 nama3@domain.ekstensi

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). Metode ini bekerja dengan melihat pola dari data yang telah lalu kemudian digunakan untuk
memproyeksikan data yang akan datang. Pada penelitian ini menggunakan salah satu model dari metode FTS
yaitu First Order and Time Invariant Model dan menggunakan metode Frequency Density Based Partitioning
(FDBP) untuk pembagian interval di metode FTS. Pada penelitian ini dalam melakukan peramalan hanya
menggunakan data time series harga saham saja. Data harga saham yang digunakan untuk pengujian diambil dari
situs finance.yahoo.com yaitu dari perusahaan Amazon.com, Inc, Bank Mandiri Tbk dan Unilever Indonesia
Tbk. Pengujian yang akan dilakukan meliputi pengujian dari aspek keakuratan data berupa persentase error
ramalan. Hasil dari sistem peramalan yang akan dibangun adalah ramalan terhadap semua harga saham, harga
saham hari berikutnya, persentase error hasil ramalan dan grafik. Rata-rata persentase error (AFER) dari hasil
pengujian peramalan berada dibawah 2,5 % sehingga dapat dikatakan mempunyai akurasi peramalan yang cukup
baik. Dan berdasarkan hasil pengujian dengan menggunakan data harga saham dari tiga perusahaan selama 1
tahun, 6 bulan, 3 bulan, 2 bulan dan 1 bulan dapat disimpulkan bahwa model dari metode FTS yang digunakan
pada penelitian ini akan 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, Metode Peramalan Time Series,
Peramalan Harga 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 (historis) atau
berdasarkan
pengalaman
seseorang
dalam
lingkungan perusahaan maupun pemerintahan.
Contohnya peramalan sangat berguna bagi seorang
investor dalam mengelola saham-saham yang
dimilikinya, karena dalam aktivitas perdagangan
saham sehari-hari mengakibatkan harga-harga saham
mengalami fluktuasi, baik berupa kenaikan maupun

penurunan. Karena harga-harga saham selalu


berubah dan tidak menentu, perlu suatu teknik
peramalan untuk menentukan besarnya harga saham
untuk hari berikutnya. Dengan adanya peramalan
terhadap harga saham, maka dapat membantu
investor dalam melakukan perencanaan serta
menghindari terjadinya resiko kerugian dalam
transaksi jual beli saham.
Saat ini, sudah banyak berkembang metodemetode yang dapat digunakan untuk melakukan
peramalan terhadap harga saham seperti Adaptive
Neuro Fuzzy Inference System (ANFIS), Recurrent
Neural Network dengan menggunakan algoritma
Backpropagation
Trough
Time
(BPTT),

Autoregressive
Integrated
Moving
Average
(ARIMA), Artificial Neural Network dengan Akaike
Information Criterion, Fuzzy Clustering dengan
Fuzzy C-Means dan Fuzzy Time Series (FTS).
Penelitian ini akan menggunakan salah satu model
dari metode Fuzzy Time Series (FTS) untuk
melakukan peramalan terhadap harga saham. 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 mana data historis 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
penulis mengimplementasikan salah satu dari modelmodel fuzzy time series yang telah dikembangkan
yaitu first-order and time invariant model yang
sebelumnya telah digunakan untuk meramalkan
jumlah mahasiswa yang mendaftar di Universitas
Alabama. Selain itu, penulis menggunakan metode
pembagian interval Frequency Density Based
Partitioning (FDBP) yang memberikan hasil
ramalan lebih akurat [3]. Metode ini akan diterapkan
untuk peramalan harga saham dengan menggunakan
jumlah data time series yang berbeda-beda 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
apakah ada perbedaan persentase error dari AFER

atau tingkat ketepatan ramalan dari hasil ramalan


yang didapatkan, sehingga dapat memberikan
kesimpulan akhir apakah semakin banyak jumlah
data time series yang digunakan akan memberikan
hasil ramalan lebih akurat atau sebaliknya. Dan dari
masing-masing data time series harga saham yang
akan digunakan untuk peramalan, memiliki pola data
time series yang berbeda-beda, dimana hal ini
dilakukan untuk melihat hasil keakuratan peramalan
menggunakan model dari metode FTS, apakah pola
data memiliki pengaruh terhadap hasil ramalan.
Selain itu, tujuan lainnya adalah untuk melihat
kinerja metode serta keakuratan hasil ramalan dalam
meramalkan harga saham yang memiliki pola data
relatif berfluktuasi dikarenakan penawaran dan
permintaan terhadap harga saham.
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 defenisi dari fuzzy time series.
Definisinya dapat digambarkan sebagai berikut:
Defenisi 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).
Defenisi 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).
Defenisi 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.
Defenisi 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 datadata 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

12. 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.
13. Gabungkan fuzzy logical relationship menjadi
fuzzy logical relationship Group, dimulai dari
sisi kiri yang sama.
14. 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. Jika nilai keanggotaan dari outputnya
memiliki dua atau lebih maximum, maka
titik tengah intervalnya digunakan sebagai
variasi peramalan.
d. 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.
15. Hitung hasil peramalan dengan menambahkan
output selisih dari data time series peramalan
tahun yang akan diramal n pada tahun
sebelumnya n-1.
3. Implementasi
Implementasi 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 prosesproses 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.
4.1 Rencana Pengujian
Berikut ini adalah rencana pengujian yang akan
dilakukan:
a. Pengujian dilakukan berdasarkan banyak
data time series harga saham pada masing-masing
harga saham perusahaan yang telah dipilih untuk
diuji cobakan, dimulai dari jumlah data harga saham
selama 1 tahun yaitu pada tahun 2011. Selanjutnya,
pengujian dilakukan dengan jumlah data time series
harga saham selama 6 bulan dari bulan januari s/d
Juni 2012, 3 bulan dari bulan Juni s/d Agustus 2012,
2 bulan dari bulan Juli s/d Agustus 2012 dan 1 bulan,
yaitu bulan Agustus 2012.
b. Pengujian dilakukan berdasarkan inputan
jumlah interval yang berbeda-beda yaitu dimulai
dari 7 s/d 11, disesuaikan berdasarkan range interval
yang didapatkan pada masing-masing harga saham
perusahaan yang telah dipilih untuk diuji cobakan.
Dan setiap data harga saham yang akan diramal akan
dihitung standar deviasinya untuk melihat besarnya
penyimpangan data dan pengaruhnya dengan tingkat
error ramalan yang dihasilkan.
4.2 Kesimpulan Pengujian
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 %.
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 %.
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
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 %.
Tabel 1. Kesimpulan Hasil Pengujian

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]

[2]

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]

[4]
[5]

[6]

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.
Haris, M. Syauqi., 2010, Implementasi Metode
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.,

[7]

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,

[8]

Forecasting enrollments with fuzzy time seriesPart I, Fuzzy Sets and Systems, 54: 1-9.
Suyanto. Artificial Intelligence. Informatika,
Bandung, 2007.