Abstract
Forecasting is an activity to predict what will happen in the future with certain methods. Fuzzy time series is a
method known as artificial intelligence used to predict the problem which the actual data is formed in linguistic values
using fuzzy principles as its basis. This study discusses the method of fuzzy time series developed by Ruey Chyn Tsaur to
predict the closing price of the shares of PT. Radiant Utama Interinso Tbk April 2017. Markov Chain fuzzy time series
method is used to analyze a time series data which is a combination of fuzzy time series model with Markov Chain.
Forecasting of closing stock price based on data from January 2011 to March 2017 for April 2017 is Rp 224,29,00.
Markov Chain's fuzzy time series method to forecast the closing stock prices data from January 2011 to March 2017
has a 3,48% of MAPE value or has a 96,52% of precision forecast. The results show that the Markov Chain fuzzy time
series has an excellent level of accuracy for forecasting the closing stock prices.
Key words : Fuzzy Time Series, closing stock price, MAPE, Markov Chain, forecasting
Pendahuluan
Indonesia merupakan negara berkembang Peramalan merupakan suatu kegiatan yang
yang memiliki potensi sebagai tujuan investasi dilakukan untuk memperkirakan apa yang akan
bagi para investor asing dalam pengembangan terjadi pada masa mendatang dengan metode-
ekspansi di sektor ekonomi.Investasi saham metode tertentu.
adalah investasi yang banyak dipilih oleh para Metode fuzzy time series pertama kali
investor. Investasi merupakan penanaman modal diusulkan oleh Song dan Chissom yang
untuk satu atau beberapa aktiva yang dimiliki dan diterapkan dalam konsep logika fuzzy untuk
biasanya dalam jangka waktu yang lama dengan mengembangkan dasar fuzzy time series.Konsep
harapan akan memperoleh keuntungan di masa darifuzzy time series didasarkan pada teori
yang akan datang, atau dapat dikatakan sebagai himpunan fuzzy, logika fuzzy dan penalaran
tabungan masa depan (Sunariyah, 2003). perkiraan.Fuzzy time series merupakan proses
Menurut Salim (2010), saham adalah dinamik dari suatu variabel linguistik yang nilai
penyertaan modal ke sebuah perusahaan dalam linguistiknya adalah himpunan fuzzy. Keunggulan
bentuk surat berharga yang merupakan tanda pemodelanfuzzy time series adalah mampu
kepemilikan seseorang atau badan terhadap suatu memformulasikan suatu permasalahan
perusahaan. Saham merupakan salah satu berdasarkan pengetahuan pakar atau data-data
instrumen pasar keuangan yang paling empiris.
populer.Menerbitkan saham merupakan salah satu Pada penelitian ini, dilakukan perhitungan
pilihan perusahaan ketika memutuskan untuk peramalan data harga penutupan saham PT.
pendanaan perusahaan. Radiant Utama Interinsco Tbk periode Januari
PT. Radiant Utama Interinsco Tbk 2011 – Maret 2017 menggunakan metode fuzzy
merupakan perusahaan nasional yang time series Markov Chain. Sehingga tujuan dari
berpengalaman di bidang industri minyak dan gas penelitian ini adalah untuk mengetahui hasil
Indonesia selama lebih dari 30 tahun dalam peramalan data harga penutupan saham PT.
melayani dan menyediakan jasa penunjang teknis Radiant Utama Interinsco Tbk periode Januari
untuk sektor minyak dan gas. Perusahaan ini 2011 – Maret 2017 dengan metode fuzzy time
memiliki 12 cabang di seluruh Indonesia, salah series Markov Chain dan mengetahui bagaimana
satunya Provinsi Kalimantan Timur yaitu di Kota ukuran ketepatan hasil peramalan data harga
Balikpapan yang merupakan salah satu daerah penutupan saham PT. Radiant Utama Interinsco
dengan tingkat perekonomian yang bertumpu Tbk periode Januari 2011 – Maret 2017
pada sektor industri. menggunakan MAPE.
Ada beberapa hal yang perlu diketahui dalam terbesar dari data historis. Berdasarkan nilai
memahami sistem fuzzy, yaitu : terkecil dan nilai terbesar, maka dapat
a. Variabel fuzzy, yaitu variabel yang hendak didefinisikan semesta pembicaraan 𝑈 sebagai
dibahas dalam suatu sistem fuzzy. berikut :
Contoh : umur, temperatur dan sebagainya. 𝑈 = [𝐷𝑚𝑖𝑛 − 𝐷1 , 𝐷𝑚𝑎𝑥 + 𝐷2 ] (1)
b. Himpunan fuzzy, merupakan suatu grup yang di mana :
mewakili suatu kondisi atau keadaan tertentu 𝐷𝑚𝑖𝑛 = nilai minimum
dalam suatu variabel fuzzy. 𝐷𝑚𝑎𝑥 = nilai maksimum
Contoh : 𝐷1 dan𝐷2 adalah dua bilangan positif yang
1. Variabel umur, terbagi menjadi 3 tepat di mana bilangan positifnya ditentukan oleh
himpunan fuzzy, yaitu : muda, parobaya peneliti. Dalam menentukan semesta, himpunan
dan tua. data historis dijadikan kedalam beberapa bentuk
2. Semesta pembicaraan, adalah dari ratusan, ribuan dan lain-lainyang disesuaikan
keseluruhan nilai yang diperbolehkan dengan batas bawah dan batas atasnya.
untuk dioperasikan dalam suatu variabel Dalam penelitian ini yang dijadikan sebagai
fuzzy. Contoh : semesta pembicaraan 𝑈 adalah himpunan data aktual yang kemudian
untuk variabel temperatur : [0 40]. membaginya menjadi beberapa interval dengan
3. Domain himpunan fuzzy, seperti halnya jarak (panjang interval) yang sama.
semesta pembicaraan, domain
merupakan himpunan bilangan riil yang Langkah kedua :Menentukan interval. Penentuan
senantiasa naik (bertambah) secara interval dilakukan dengan langkah-langkah
monoton dari kiri ke kanan. sebagai berikut :
(Kusumadewi & Purnomo, 2010) 1. Menentukan jumlah interval kelas. Adapun
untuk menentukan jumlah interval kelas
Fuzzifikasi menggunakan rumus Sturges berikut :
Menurut Kusumadewi dan Purnomo (2013), 𝐾 = 1 + 3,322 × log(𝑛) (2)
fuzzifikasi adalah proses untuk mengubah di mana :
variabel non fuzzy (variabel numerik) menjadi 𝐾 = jumlah interval
variabel fuzzy (variabel linguistik). 𝑛 = banyaknya data
2. Menentukan panjang interval kelas. Adapun
Defuzzifikasi rumus untuk menentukan panjang interval
Menurut Kusumadewi dan Purnomo (2013), kelas didefinisikan sebagai berikut :
[(𝐷𝑚𝑎𝑥 + 𝐷2 ) − (𝐷𝑚𝑖𝑛 − 𝐷1 )]
input dari proses defuzzifikasi adalah suatu 𝑙 = (3)
𝐾
himpunan fuzzy yang diperoleh dari komposisi di mana :
aturan-aturan fuzzy sedangkan output yang 𝑙 = panjang interval
dihasilkan merupakan suatu bilangan pada domain Selanjutnya membagi semesta pembicaraan
himpunan fuzzy. menjadi beberapa bagian sesuai jumlah interval
dan panjang interval yang didapat, maka setiap
Fuzzy Time Series interval diperoleh sebagai berikut :
Fuzzy time seriesadalah metode peramalan 𝑢1 = [𝐷𝑚𝑖𝑛 − 𝐷1 ; 𝐷𝑚𝑖𝑛 − 𝐷1 + 𝑙]
data yang menggunakan prinsip-prinsip fuzzy 𝑢2 = [𝐷𝑚𝑖𝑛 − 𝐷1 + 𝑙 ; 𝐷𝑚𝑖𝑛 − 𝐷1 + 2𝑙]
sebagai dasarnya.Metode ini digunakan untuk ⋮ (4)
menyelesaikan masalah peramalan time series 𝑢𝑛 = [𝐷𝑚𝑖𝑛 − 𝐷1 + (𝑛 − 1)𝑙 ; 𝐷𝑚𝑖𝑛 − 𝐷1 + 𝑛𝑙]
klasik.Hal yang membedakan fuzzy time series 3. Mencari nilai tengah dengan menjumlahkan
dengan time series klasik adalah nilai-nilai yang batas bawah dan batas atas kemudian dibagi
digunakan dalam peramalan merupakan himpunan dua. Adapun rumus untuk mencari nilai
fuzzy dari bilangan-bilangan riil atas himpunan tengah adalah sebagai berikut :
semesta yang ditentukan (Arga, 1985). (𝑏𝑎𝑡𝑎𝑠 𝑏𝑎𝑤𝑎ℎ+𝑏𝑎𝑡𝑎𝑠 𝑎𝑡𝑎𝑠)
Fuzzy time series digunakan untuk 𝑚𝑖 = (5)
2
menyelesaikan masalah peramalan dimana data
historis berupa nilai-nilai linguistik. di mana :
𝑖 = banyaknya himpunan fuzzy
Fuzzy Time Series Markov Chain
Adapun langkah-langkah peramalan dengan Langkah ketiga :Menentukan himpunan fuzzy
metode fuzzy time seriesMarkov Chain adalah untuk semesta pembicaraan 𝑈.Untuk
sebagai berikut : mempermudah, setiap himpunan fuzzy𝐴𝑖 (𝑖 =
1, 2, … , 𝑛)didefinisikan dalam jumlah interval
Langkah pertama :Menentukan semesta
yang telah ditentukan, di mana 𝐴1 , 𝐴2 , . . . , 𝐴𝑛
pembicaraan 𝑈. Untuk mendefinisikannya,
didefinisikan sebagai berikut :
terlebih dahulu ditentukan nilai terkecil dan nilai
𝐴1 = {1⁄𝑢1 + 0,5⁄𝑢2 + 0⁄𝑢3 + ⋯ + 0⁄𝑢𝑛 } 2. Jika FLRG 𝐴𝑖 adalah relasi satu ke satu (𝐴𝑖 →
𝐴2 = {0,5⁄𝑢1 + 1⁄𝑢2 + 0,5⁄𝑢3 + ⋯ + 0⁄𝑢𝑛 } 𝐴𝑘 dengan 𝑃𝑖𝑗 = 0 dan 𝑃𝑖𝑘 = 1, 𝑗 ≠ 𝑘), maka
⋮ (6) hasil peramalan adalah 𝑚𝑘 yaitu nilai tengah
𝐴𝑛 = {0⁄𝑢1 + ⋯ + 0,5⁄𝑢𝑛−1 + 1⁄𝑢𝑛 } dari 𝑢𝑘 dengan persamaan :
dimana𝑢𝑖 (𝑖 = 1, 2, … , 𝑛)adalah elemen dari 𝐹(𝑡) = 𝑚𝑘 𝑃𝑖𝑘 = 𝑚𝑘 (10)
himpunan semesta 𝑈 dan bilangan yang diberi 3. Jika FLRG 𝐴𝑗 adalah relasi satu ke banyak
symbol “∕” menyatakan derajat keanggotaan (𝐴𝑗 → 𝐴1 , 𝐴2 , … , 𝐴𝑛 , 𝑗 = 1, 2, … , 𝑛), jika
𝜇𝐴𝑖 (𝑢𝑖 ) terhadap 𝐴𝑖 (𝑖 = 1,2, … , 𝑛) dimana kumpulan data 𝑌(𝑡 − 1) pada saat 𝑡 − 1 yang
nilainya adalah 0, 0,5 dan 1. berada pada state𝐴𝑗 , maka hasil peramalan
Langkah keempat :Menentukan Fuzzy Logical adalah sebagai berikut :
Relationship (FLR), tahap ini menentukan relasi 𝐹(𝑡) = 𝑚1 𝑃𝑗1 + 𝑚2 𝑃𝑗2 + ⋯ + 𝑚𝑗−1 𝑃𝑗(𝑗−1) +
logika fuzzy yaitu 𝐴𝑖 → 𝐴𝑗 . Di mana 𝐴𝑖 𝑌(𝑡 − 1)𝑃𝑗 + 𝑚𝑗+1 𝑃𝑗(𝑗+1) + ⋯ + 𝑚𝑛 𝑃𝑗𝑛 (11)
merupakan current state𝑌(𝑡−1) dan 𝐴𝑗 adalah next di mana :
state pada waktu ke 𝑡. FLR menghubungkan relasi 𝑚1 , … , 𝑚𝑛 = nilai tengah dari 𝑢1 , … , 𝑢𝑛
antara nilai linguistik yang ditentukan berdasarkan 𝑌(𝑡 − 1)= nilai aktual pada waktu 𝑡 − 1.
tabel fuzzifikasi. Langkah kedelapan :Menghitung nilai
Langkah kelima :Menentukan Fuzzy Logical penyesuaian pada hasil peramalan. Penyesuaian
Relationship Group (FLRG). Tahap ini peramalan digunakan untuk meninjau kembali
mengelompokkan FLR kedalam beberapa kesalahan peramalan. Aturan penyesuaian untuk
kelompok. nilai peramalan dijelaskan sebagai berikut :
1. Jika state 𝐴𝑖 berkomunikasi dengan 𝐴𝑖 ,
Langkah keenam :Menentukan matriks dimulai dari state𝐴𝑖 pada saat 𝑡 − 1
probabilitas transisi Markov. FLRG digunakan sebagaimana 𝐹(𝑡 − 1) = 𝐴𝑖 dan terjadi
untuk mendapatkan probabilitas state selanjutnya. perpindahan transisi naik ke state 𝐴𝑗 pada saat
Sehingga didapat matriks transisi Markov, maka
𝑡, (𝑖 < 𝑗), maka nilai penyesuaian ditentukan
dimensinyaadalah n × n.
sebagai :
Probabilitas transisi untuk state dapat ditulis : 𝑙
𝐷𝑡1 = ( ) (12)
𝑀𝑖𝑗 2
𝑃𝑖𝑗 = ; 𝑖, 𝑗 = 1, 2, … , 𝑛 (7) di mana :
𝑀𝑖
di mana : 𝑙 = panjang interval
𝑃𝑖𝑗 = probabilitas transisi dari state𝐴𝑖 ke 𝐴𝑗 satu 2. Jika state 𝐴𝑖 berkomunikasi dengan 𝐴𝑖 ,
langkah dimulai dari state𝐴𝑖 pada saat 𝑡 − 1
𝑀𝑖𝑗 = jumlah transisi dari state𝐴𝑖 ke 𝐴𝑗 satu sebagaimana 𝐹(𝑡 − 1) = 𝐴𝑖 dan terjadi
langkah perpindahan transisi turun ke state 𝐴𝑗 pada
𝑀𝑖 = jumlah data yang termasuk dalam state𝐴𝑖 . saat 𝑡, (𝑖 > 𝑗), maka nilai penyesuaian
Matriks probabilitas transisi state 𝐏 dapat ditulis : ditentukan sebagai :
𝑙
𝑃11 𝑃12 ⋯ 𝑃1𝑛 𝐷𝑡1 = − ( ) (13)
2
𝑃21 𝑃22 ⋯ 𝑃2𝑛 3. Jika state 𝐴𝑖 pada saat 𝑡 − 1 sebagaimana
𝐏=[ ] (8) 𝐹(𝑡 − 1) = 𝐴𝑖 dan terjadi perpindahan
⋮ ⋮ ⋱ ⋮
𝑃𝑛1 𝑃𝑛2 ⋯ 𝑃𝑛𝑛 transisi maju ke state 𝐴𝑖+𝑠 pada saat 𝑡, 1 ≤
𝑠 ≤ 𝑛 − 𝑖, maka nilai penyesuaian ditentukan
di mana ∑𝑛𝑗=1 𝑃𝑖𝑗 = 1. sebagai :
Dari Matriks 𝐏, berikut beberapa definisi : 𝑙
𝐷𝑡2 = ( ) 𝑠, (1 ≤ 𝑠 ≤ 𝑛 − 𝑖) (14)
1. Jika 𝑃𝑖𝑗 > 0, maka state𝐴𝑗 dapat diakses dari 2
state𝐴𝑖 . di mana :
2. Jika state𝐴𝑖 dan 𝐴𝑗 saling dapat diakses, 𝑠 = banyak perpindahan transisi maju.
4. Jika state 𝐴𝑖 pada saat 𝑡 − 1 sebagaimana
maka 𝐴𝑖 berkomunikasi dengan 𝐴𝑗 (Ross,
𝐹(𝑡 − 1) = 𝐴𝑖 dan terjadi perpindahan
2003).
transisi mundur ke state 𝐴𝑖−𝑣 pada saat 𝑡,
Langkah ketujuh :Menentukan defuzzifikasi 1 ≤ 𝑣 ≤ 𝑖, maka nilai penyesuaian ditentukan
nilai peramalan. Untuk menghasilkan nilai sebagai :
peramalan dari matriks probabilitas yang didapat 𝑙
𝐷𝑡2 = − ( ) 𝑣, (1 ≤ 𝑣 ≤ 𝑖) (15)
maka dapat dihitung dengan aturan sebagai 2
di mana :
berikut :
1. Jika FLRG 𝐴𝑖 adalah kosong (𝐴𝑖 → ≠) maka 𝑣 = banyaknya perpindahan transisi mundur.
hasil peramalan adalah 𝑚𝑖 , yaitu nilai tengah Langkah kesembilan : Menghitung hasil
dari 𝑢𝑖 dengan persamaan : peramalan yang telah disesuaikan. Secara umum
𝐹(𝑡) = 𝑚𝑖 (9)
hasil peramalan dapat didefinisikan sebagai Tabel 1. Analisis Statistika Deskriptif Harga
berikut : Penutupan Saham
𝑙 𝑙
𝐹′𝑡 = 𝐹𝑡 ± 𝐷𝑡1 ± 𝐷𝑡2 = 𝐹𝑡 ± ( ) ± ( ) (16) Jumlah
Min Maks
Rata- Standar
2 2
Data rata Deviasi
di mana :
𝑙 = panjang interval 75 191 340 229 24,64
Adapun 7 interval yang sama dalam semesta selanjutnya (next state), dapat dilihat pada Tabel
pembicaraan yaitu 𝑢1 = [190, 212,86], 𝑢2 = 5.
[212,86, 235,72], 𝑢3 = [235,72, 258,58], 𝑢4 = Tabel 4.Fuzzy Logical Relationship (FLR)
[258,58, 281,44], 𝑢5 = [281,44, 304,3], 𝑢6 = Urutan Data FLR
[304,3, 327,16] dan 𝑢7 = [327,16, 350,02].
1–2 𝐴1 → 𝐴2
3. Mencari Nilai Tengah 2–3 𝐴2 → 𝐴1
Selanjutnya mencari nilai tengah dari
masing-masing semesta pembicaraan 𝑈 dapat 3–4 𝐴1 → 𝐴1
dilihat pada Tabel 2 . 4–5 𝐴1 → 𝐴2
Tabel 2. Nilai Tengah 5–6 𝐴2 → 𝐴4
Variabel Nilai Tengah 6–7 𝐴4 → 𝐴7
Linguistik (𝐴𝑖 ) (𝑚𝑖 )
𝐴1 201,43 ⋮ ⋮
𝐴2 224,29 73 – 74 𝐴2 → 𝐴2
𝐴3 247,15 74 – 75 𝐴2 → 𝐴2
𝐴4 270,01
Tabel 5.Fuzzy Logical Relationship Group
𝐴5 292,87 (FLRG)
𝐴6 315,73 Current Jumlah
Next State (𝐴𝑗 )
State (𝐴𝑖 ) state
𝐴7 338,59
𝐴1 8(𝐴1 ), 10(𝐴2 ) 18
𝐴2 8(𝐴1 ), 18(𝐴2 ), 6(𝐴3 ), 𝐴4 33
Fuzzifikasi Nilai dari Data Harga Penutupan
Saham 𝐴3 𝐴1 , 6(𝐴2 ), 6(𝐴3 ), 2(𝐴4 ), 𝐴5 16
Berdasarkan himpunan fuzzyyang sudah 𝐴4 2(𝐴3 ), 𝐴4 , 𝐴7 4
dibentuk, di mana data harga penutupan saham
diubah ke dalam bentuk nilai linguistik. Hasil 𝐴5 𝐴3 1
fuzzifikasi dinotasikan ke dalam bilangan 𝐴6 𝐴3 1
linguistik dapat dilihat pada Tabel 3 : 𝐴7 𝐴6 1
Tabel 3. Penentuan Fuzzifikasi Data Harga Jumlah state 74
Penutupan Saham
Bulan/ Fuzzifi
𝑌𝑡 Interval Menentukan Matriks Probabilitas Transisi
Tahun kasi
Jan/11 195 𝑢1 = [190, 212,86] 𝐴1 Dari hasil sebelumnya diperoleh bahwa
Feb/11 235 𝑢2 = [212,86, 235,72] 𝐴2 jumlah interval adalah 7, sehingga dibentuk
Mar/11 205 𝑢1 = [190, 212,86] 𝐴1 matriks probabilitas transisi berorde 7x7 yang
Apr/11 205 𝑢1 = [190, 212,86] 𝐴1 setiap elemennya merupakan nilai probabilitas
Mei/11 235 𝑢2 = [212,86, 235,72] 𝐴2 sebagai berikut :
Jun/11 260 𝑢4 = [258,58, 281,44] 𝐴4
8 10
Jul/11 340 𝑢7 = [327,16, 350,02] 𝐴7 0 0 0 0 0
18 18
⋮ ⋮ ⋮ ⋮ 8 18 6 1
Feb/17 230 𝑢2 = [212,86, 235,72] 𝐴2 0 0 0
33 33 33 33
Mar/17 232 𝑢2 = [212,86, 235,72] 𝐴2 1 6 6 2 1
0 0
Keterangan : 𝐏= 16 16 16 16 16
2 1 1
𝑌𝑡 = data aktual (dalam rupiah) 0 0 0 0
4 4 4
0 0 1 0 0 0 0
Menentukan Fuzzy Logical Relationship (FLR) 0 0 1 0 0 0 0
Berdasarkan penentuan fuzzifikasi pada [0 0 0 0 0 1 0]
Tabel 3 maka dapat ditentukan FLR yang
merupakan hubungan antara setiap data terhadap
data berikutnya dalam bentuk himpunan fuzzy. Proses Peramalan dan Defuzzifikasi
Urutan data dapat dilihat pada Tabel 4. Berdasarkan FLRG yang Dibentuk
Menentukan Fuzzy Logical Relationship Group Selanjutnya dilakukan proses peramalan dan
(FLRG) defuzzifikasi berdasarkan FLRG yang telah
Setelah memperoleh FLR, selanjutnya dibentuk. Peramalan dilakukan dengan cara
ditentukan FLRG yang merupakan matriks probabilitas transisi dikalikan dengan 𝑚𝑖 ,
pengelompokkan dari setiap perpindahan state, di mana 𝑚𝑖 adalah nilai tengah dari tiap-tiap
yaitu state saat ini (current state) dan state interval dapat dilihat pada Tabel 6.