VOL 1 (2017) TIDAK 2

e-ISSN: 2549-9904
ISSN: 2549-9610

JURNAL INTERNASIONAL TENTANG VISUALISASI INFORMATIKA

Aplikasi Jaringan Syaraf Tiruan dan Fuzzy Logic pada

Masalah Prediksi Harga Saham
Thanh Tung Khuat #, My Hanh Le #
#
Universitas Sains dan Teknologi - Universitas Danang, Vietnam
E-mail: thanhtung09t2@gmail.com , ltmhanh@dut.udn.vn

Abstrak - Industri keuangan menjadi semakin bergantung pada teknologi komputasi canggih untuk mempertahankan daya saing dalam ekonomi global. Oleh karena itu, masalah prediksi harga saham
dengan menggunakan teknik data mining merupakan salah satu masalah terpenting di bidang keuangan. Bidang ini telah menarik minat ilmiah yang besar dan telah menjadi bidang penelitian penting
untuk memberikan proses prediksi yang lebih tepat. Fuzzy logic (FL) dan Artificial Neural Network (ANN) menyajikan teknik yang menarik dan menjanjikan dengan cakupan yang luas untuk aplikasi
prediksi. Ada minat yang berkembang di bidang komputasi logika fuzzy dan dunia keuangan dalam penggunaan logika fuzzy untuk memprediksi perubahan harga saham, nilai tukar, komoditas, dan
deret waktu keuangan lainnya di masa depan. Logika fuzzy menyediakan cara untuk menarik kesimpulan pasti dari yang kabur, informasi yang ambigu atau tidak tepat. Artificial Neural Network
merupakan salah satu teknik data mining yang diterima secara luas di dunia bisnis karena kemampuannya untuk mempelajari dan mendeteksi hubungan antar variabel nonlinier. JST mengungguli
model regresi statistik dan juga memungkinkan analisis lebih dalam dari kumpulan data besar, terutama yang memiliki kecenderungan untuk berfluktuasi dalam jangka waktu yang singkat. Dalam
makalah ini, kami menyelidiki kemampuan logika Fuzzy dan multilayer perceptron (MLP), yang merupakan sejenis JST, untuk mengatasi masalah peramalan saham deret waktu keuangan. Pendekatan
yang diusulkan diuji pada data harga historis yang dikumpulkan dari Yahoo Finance dengan perusahaan yang berbeda. Selanjutnya dilakukan perbandingan antara teknik-teknik tersebut untuk
mengetahui efektivitasnya. Artificial Neural Network merupakan salah satu teknik data mining yang diterima secara luas di dunia bisnis karena kemampuannya untuk mempelajari dan mendeteksi
hubungan antar variabel nonlinier. JST mengungguli model regresi statistik dan juga memungkinkan analisis lebih dalam dari kumpulan data besar, terutama yang memiliki kecenderungan untuk
berfluktuasi dalam jangka waktu yang singkat. Dalam makalah ini, kami menyelidiki kemampuan logika Fuzzy dan multilayer perceptron (MLP), yang merupakan sejenis JST, untuk mengatasi masalah
peramalan saham deret waktu keuangan. Pendekatan yang diusulkan diuji pada data harga historis yang dikumpulkan dari Yahoo Finance dengan perusahaan yang berbeda. Selanjutnya dilakukan perbandingan antar

Kata kunci - Logika Fuzzy, Algoritma Fireworks, Algoritma propagasi balik, peramalan harga saham, Jaringan Syaraf Perceptron Multilayer, Transformasi Wavelet.

metode pengolahan dan algoritma optimasi sering digabungkan dengan ANN

I. Saya PENDAHULUAN [6] dan Fuzzy Logic [7]. Dalam tulisan ini, harga penutupan akan diprediksi
dengan menggunakan dua pendekatan yaitu MLP dengan input data berupa
Masalah prediksi harga saham merupakan salah satu topik penting dalam
harga penutupan historis dan model seri waktu fuzzy tipe-2 dengan data
bidang keuangan dan ekonomi bisnis. Sistem yang cerdas akan dapat memprediksi
masukan berupa harga penutupan historis, tertinggi, terendah, dan harga
harga saham dan memberikan panduan kepada investor untuk membeli saham
terbuka. Dalam kedua metode, Haar Wavelet Transform digunakan untuk
sebelum harganya naik, atau menjualnya sebelum nilainya turun. Meskipun sangat
pra-pemrosesan dan algoritma Fireworks (FA) [8] digunakan untuk
sulit untuk menggantikan peran para ahli, algoritma prediksi yang akurat dapat
mengoptimalkan bobot dan bias MLP sebelum melatih MLP menggunakan
secara langsung menghasilkan keuntungan yang tinggi bagi perusahaan investasi.
algoritma propagasi balik. FA juga digunakan untuk mengoptimalkan panjang
Namun, kecenderungan pasar saham adalah non-linier, tidak pasti, non-stasioner,
interval dalam model deret waktu fuzzy tipe-2. Transformasi Wavelet (WT)
dan tampaknya mengandung risiko yang lebih signifikan daripada sebelumnya
adalah untuk mendekomposisi deret waktu harga saham dan untuk
dalam meramalkan harga saham [1, 2].
menghilangkan noise, karena representasi wavelet dapat menangani
non-stasioner yang terlibat dalam deret waktu ekonomi dan keuangan [9].
Algoritma Fireworks adalah kecerdasan gerombolan baru yang diusulkan oleh
Tujuan investor adalah untuk memperoleh laba yang tinggi dan stabil. Oleh
Ying Tan [10] dengan hasil yang menjanjikan dalam akurasi pengoptimalan dan
karena itu, sejumlah metode telah diusulkan untuk menghasilkan hasil estimasi
kecepatan konvergensi. Algoritma ini dapat mencari solusi optimal dan
yang lebih akurat dimana Neural Network multilayer perceptron (MLP) [3]
menciptakan keseimbangan antara eksplorasi dan eksploitasi serta
merupakan salah satu teknik yang banyak digunakan untuk menghitung harga
memberikan hasil estimasi harga saham yang akurat.
saham. Beberapa studi menunjukkan bahwa MLP lebih efisien daripada model
regresi statistik dan juga memungkinkan analisis yang lebih dalam dari
kumpulan data yang besar, terutama yang memiliki kecenderungan untuk
berfluktuasi dalam periode waktu yang singkat [4-6]. Untuk meningkatkan
Tujuan dari penelitian ini adalah untuk menilai efisiensi MLP dan model
efektivitas model prediksi, pra-
time series fuzzy tipe-2 yang diperbaiki

40
menerapkan pra-pemrosesan dan FA dalam memecahkan masalah regresi
untuk bidang tertentu seperti pasar saham.
Sisa dari makalah ini disusun sebagai berikut: bagian 2 menyajikan tentang
metodologi yang diusulkan. Eksperimen dan hasil ditunjukkan di bagian 3.
Bagian 4 adalah kesimpulan dan pekerjaan masa depan.
Wavelet adalah alat matematika yang dapat memecah data menjadi
berbagai komponen frekuensi, kemudian setiap elemen dipertimbangkan
dengan resolusi yang disesuaikan dengan skalanya. Transformasi wavelet
dapat mengatasi keterbatasan transformasi Fourier saat menghadapi
gangguan tak terduga dan tak terduga [11].

Ada berbagai macam algoritma wavelet populer termasuk wavelet

II. M ATERIAL DAN M ETHOD Daubechies, wavelet Topi Meksiko dan wavelet Morlet. Algoritme wavelet ini
memiliki keunggulan resolusi yang lebih baik untuk mengubah deret waktu
Dalam prediksi harga saham terdapat dua teknik analisis utama yaitu
dengan lancar. Meskipun demikian, biaya komputasi mereka jauh lebih tinggi
analisis teknikal dan analisis fundamental. Analisis teknis menggunakan
daripada wavelet Haar.
deret waktu historis untuk memberikan hasil, sedangkan analisis fundamental
berfokus pada kekuatan pasokan, kinerja masa lalu perusahaan, dan
Algoritme Haar wavelet bekerja pada deret waktu yang ukurannya pangkat
perkiraan pendapatan.
dua (mis., 32, 64, 128 ...). Setiap langkah transformasi wavelet menciptakan
dua set nilai: satu set rata-rata dan satu set perbedaan yang dikenal sebagai
Dalam makalah ini, kami menggunakan analisis teknis yang dikombinasikan
koefisien wavelet. Setiap set adalah setengah dari ukuran data masukan.
dengan MLP, Haar Wavelet Transform, FA, dan model deret waktu fuzzy tipe-2.
Misalnya, jika deret waktu memiliki 128 elemen, langkah pertama akan
Gambar 1 menunjukkan gambaran umum metode yang diusulkan.
menghasilkan 64 rata-rata dan 64 koefisien. Himpunan rata-rata kemudian
menjadi masukan untuk langkah berikutnya (misalnya, 64 rata-rata membuat
himpunan baru 32 rata-rata dan 32 koefisien). Proses ini diulang sampai
Data Preprocessing

diperoleh satu rata-rata dan satu koefisien diperoleh.

Menghilangkan kebisingan dengan menggunakan Wavelet

Mengubah

Kekuatan dua spektrum koefisien yang dihasilkan oleh penghitungan wavelet

mencerminkan perubahan deret waktu pada resolusi yang berbeda. Pita koefisien
Mengoptimalkan panjang interval dalam model
Mengoptimalkan bobot dan bias pertama menggambarkan perubahan frekuensi tertinggi. Ini adalah bagian paling berisik
deret waktu fuzzy tipe 2 dengan
dari MLP oleh FA
FA dari deret waktu. Kebisingan ini dapat dihilangkan dengan menggunakan teknik ambang
Training Stage

batas. Setiap pita selanjutnya mencerminkan perubahan pada frekuensi yang lebih
rendah dan lebih rendah.
Melatih MLP menggunakan punggung Menerapkan deret waktu fuzzy tipe 2
algoritma propagasi model untuk memprediksi

C. Algoritma Kembang Api

1) Pengenalan algoritma Kembang api

Mengevaluasi efektivitas
Transformasi Wavelet dan FA
Testing Stage

Membandingkan perkiraan hasil MLP

dan model deret waktu fuzzy tipe 2

Gbr. 1 Gambaran umum dari pendekatan yang diusulkan

A. Memilih pemformatan data dan target prediksi

Dalam masalah prediksi harga saham, ada beberapa faktor yang
digunakan untuk menganalisis seperti moving average (MA), relative strength
index (RSI), Boilinger band, harga tutup / buka, dan volume oscillator.
Pemilihan indeks dan faktor yang sesuai bergantung pada pengalaman
pedagang dan jenis saham.

Makalah ini menggunakan harga penutupan sebagai target prediksi.

Sedangkan untuk MLP, input data meliputi harga tutup historis, sedangkan
untuk model fuzzy time series tipe-2 digunakan harga tutup historis, buka,
tinggi, dan rendah.

B. Pemfilteran kebisingan menggunakan transformasi wavelet Haar

Gbr. 2 Kerangka kerja algoritma kembang api
Langkah pertama dari pra-pemrosesan data adalah penggunaan transformasi
wavelet untuk menguraikan deret waktu keuangan dan menghilangkan derau
Algoritme Fireworks adalah algoritme kecerdasan gerombolan baru yang
karena representasi wavelet dapat menyelesaikan non-stasioner yang terlibat
terinspirasi oleh pengamatan ledakan kembang api dan diusulkan untuk
dalam deret waktu ekonomi dan keuangan [9].
pengoptimalan global fungsi kompleks [8].

41
 Saat kembang api meledak, percikan api akan tercipta di sekitar kembang Menghasilkan Sparks: Dalam proses ledakan, percikan api dapat
api. Proses ledakan kembang api dapat dianggap sebagai pencarian lokal di dipengaruhi oleh ledakan secara acak •
sekitar a ukuran. Di FA, dimensi • ditampilkan seperti pada Persamaan. (5).
titik tertentu. Untuk mencari titik x saya seperti yang f (x i) = y,
'kembang api' terus-menerus diluncurkan di ruang potensial sampai • = ••••• (• × •••• (0, 1)) (5)
mencapai satu target 'percikan' atau satu target yang cukup dekat dimana • adalah jumlah dimensi vektor •, dan
inti nya x saya. Dengan meniru proses ledakan kembang api, kerangka kerja FA •••• (0, 1) adalah nomor acak dalam kisaran [ 0, 1].
yang kasar dijelaskan pada Gambar 2. Lokasi percikan kembang api • • diperoleh dengan menggunakan

2) Jenis Ledakan Kembang Api Algoritma 1. Meniru proses ledakan, sebuah percikan
lokasi ? ̃? • diproduksi pada awalnya. Kemudian, jika lokasi yang diperoleh
Dalam proses pengamatan kembang api, ledakan kembang api terbagi
berada di luar ruang potensial, maka dipetakan ke ruang potensial.
menjadi dua jenis tertentu. Ledakan kembang api yang baik menghasilkan banyak
bunga api yang memusatkan pusat ledakan. Sebaliknya, ledakan kembang api
yang buruk menghasilkan cukup banyak bunga api yang tersebar di sekitar pusat Algoritma 1. Dapatkan lokasi percikan. Inisialisasi
ledakan seperti yang ditunjukkan pada Gambar 3. lokasi percikan: ? ̃? • = • •;
• = ••••• (• × •••• (0, 1));
Pilih secara acak dimensi z ? ̃? •;
Menghitung • = • • × •••• (−1, 1);
untuk setiap ? ̃? •
•∈ { dipilih sebelumnya z dimensi ? ̃? •} melakukan

? ̃? •
•=? ̃? • • + •;
•
jika ? ̃? •
• < • ••• atau
• ? ̃? • •> • •• kemudian
•

Pemetaan ? ̃? •• ke dalam ruang potensial: ? ̃? • = • ••• •+ •

••
|? ̃? •
•|%( • ••• - • • •);

berakhir jika

berakhir untuk
Gbr. 3 Dua jenis ledakan kembang api

Untuk menjaga keragaman bunga api, ada cara lain untuk menghasilkan
Jumlah Percikan: Misalkan FA dirancang untuk masalah pengoptimalan bunga api yang disebut ledakan Gaussian, yang ditunjukkan pada Algoritma 2.
umum: Fungsi •••••••• (1, 1) yang merupakan distribusi Gaussian dengan mean 1 dan
•••••••• • (•) ∈ •, • ••• ≤ • ≤ • ••• (1) deviasi standar 1 digunakan untuk menentukan koefisien ledakan. ? ̂? percikan
dimana • = [• 1, • 2, …, • •] adalah posisi dalam ruang solusi potensial, • (•) adalah api semacam ini dihasilkan di setiap generasi ledakan.
fungsi objektif, • ••• dan
• ••• adalah batas bawah dan atas dari ruang potensial, • adalah dimensi vektor
Algoritma 2. Temukan posisi percikan tertentu.
•.
Inisialisasi lokasi percikan: ? ̂? • = • •;
Jumlah bunga api yang dihasilkan oleh setiap kembang api • • didefinisikan seperti dalam
• = ••••• (• × •••• (0, 1));
Persamaan. (2).
Pilih secara acak dimensi z ? ̂? •;
• ••• −• (• •) + •
••=• × (2) Hitung koefisien ledakan Gaussian: • =
∑ •• = 1 ( • ••• −• (• •)) + •
•••••••• (1, 1);
dimana • adalah parameter yang mengontrol jumlah percikan api untuk setiap ? ̂? •
• • { dimensi z yang telah dipilih sebelumnya dari ? ̂? •} melakukan
dihasilkan oleh n kembang api, • ••• = ••• (• (• •)) ( • =
? ̂? •
•=? ̂? • • × •;
1, 2,…, •) adalah nilai maksimum atau minimum •
jika ? ̂? •
• < • ••• atau
• ? ̂? • •> • •• kemudian
•
fungsi obyektif antara n kembang api, dan ξ menunjukkan konstanta terkecil yang digunakan
Pemetaan ? ̂?• • ke ruang potensial: ? ̂? • = • ••• +• •
untuk menghindari kesalahan pembagian-nol.
••
|? ̂? •
Untuk menghindari efek cantik yang luar biasa •|%( • ••• - •• • •);
berakhir jika
kembang api, batas ditentukan untuk • • sebagaimana ditentukan dalam Persamaan. (3).
berakhir untuk
••••• (• × •) •• • • < • × •
•̂ ? ̂? = { ••••• (• × •) •• • • < • × •, • <• <1 ••ℎ•••••• (3) 3) Pemilihan Lokasi
••••• (• •) Di awal setiap generasi ledakan, •
dimana • dan • adalah parameter konstan. lokasi akan dipilih untuk ledakan kembang api. Di FA, posisi terbaik saat ini • ∗ selalu
Amplitudo Ledakan: Berbeda dengan desain nomor percikan api, disimpan untuk generasi ledakan berikutnya. Setelah itu, • - 1 Lokasi lain
amplitudo ledakan kembang api yang baik lebih kecil daripada yang buruk. dipilih berdasarkan jarak ke lokasi lain untuk menjaga keanekaragaman
Amplitudo ledakan untuk setiap kembang api didefinisikan seperti pada bunga api. Jarak umum antara a
Persamaan. (4).
• (••) −•••• + •
• • = ? ̂? × • (4) lokasi • • dan lokasi lain didefinisikan seperti pada Persamaan. (6).
∑• = 1 (• (••) −••••) + •
• (• •) = ∑ ••• • (• •, • •) = ∑ ••• ‖• • - • • ‖ (6)
dimana ? ̂? adalah amplitudo ledakan maksimum, dan • ••• = dimana • adalah himpunan semua lokasi saat ini dari kembang api dan percikan api.
••• (• (• •)) ( • = 1, 2,…, •) menunjukkan minimum atau terbaik
nilai fungsi tujuan antara n kembang api. Probabilitas pemilihan lokasi • • kemudian ditentukan seperti pada Persamaan. (7).

42
 • (••)
• (• •) = (7) dengan satu lapisan tersembunyi cukup baik untuk mendekati fungsi non-linier
∑••• • (••)
yang kompleks [12]. Selain itu, banyak studi dan hasil eksperimen juga
Saat menilai jarak, pengukur jarak apa pun dapat digunakan termasuk menunjukkan bahwa satu lapisan tersembunyi cukup untuk sebagian besar
jarak Manhattan, jarak Euclidean, jarak berbasis sudut, dll. Dalam makalah masalah perkiraan [4, 13, 14]. Oleh karena itu, pekerjaan ini menggunakan
ini, jarak Euclidean digunakan untuk menghitung jarak. arsitektur neural network MLP dengan satu lapisan tersembunyi.

4) Ringkasan isi algoritma Tugas sulit lainnya saat memilih parameter yang baik untuk MLP adalah
jumlah neuron tersembunyi dan fungsi aktivasi. Menetapkan arsitektur MLP
Algoritma 3 menunjukkan kerangka kerja FA. Dalam setiap generasi, dua
yang sesuai untuk masalah tertentu merupakan tugas penting karena
jenis percikan api dibuat masing-masing seperti yang ditunjukkan pada
topologi jaringan secara langsung memengaruhi kompleksitas komputasi dan
Algoritma 1 dan Algoritma 2. Pada jenis pertama, amplitudo ledakan dan
kemampuan generalisasinya. Jika kumpulan data pelatihan dibagi menjadi
jumlah percikan bergantung pada kualitas kembang api yang sesuai.
beberapa grup dengan fitur serupa, jumlah grup ini dapat digunakan untuk
Sebaliknya, jenis kedua dibuat dengan menggunakan proses ledakan
jumlah neuron tersembunyi. Jika data pelatihan tersebar tersebar dan tidak
Gaussian, yang melakukan pencarian di ruang Gaussian lokal di sekitar
berisi fitur yang sama, jumlah koneksi mungkin cukup sama dengan jumlah
kembang api.
sampel pelatihan untuk mempertahankan kemampuan konvergensi MLP.

Algoritma 3. Algoritma kembang api Pilih secara acak n

lokasi untuk kembang api;
sementara kriteria penghentian tidak terpenuhi melakukan Namun, terlalu banyak lapisan tersembunyi atau neuron tersembunyi akan
Merancang n kembang api masing-masing di n lokasi: mendorong MLP ke over-fitting yang berarti MLP bekerja dengan baik pada data
untuk setiap kembang api • • melakukan
pelatihan tetapi buruk pada data yang belum dilihatnya. Hal ini menyebabkan
Hitung jumlah bunga api yang dihasilkan kembang api:
ketidakmampuan generalisasi MLP. Berdasarkan percobaan yang dilakukan dan
•̂ ? ̂? , menggunakan Persamaan. (2) dan Persamaan. (3);
penelitian lain seperti pada [7, 15], MLP dengan 8 neuron untuk lapisan
Temukan lokasi •̂ ? ̂? percikan kembang api • • menggunakan Algoritma 1
tersembunyi dan fungsi Sigmoid bipolar (Gbr. 4) sebagai fungsi aktivasi untuk

berakhir untuk
lapisan tersembunyi dan keluaran cocok untuk meramalkan stok. harga.
untuk • = 1 →? ̂? melakukan
Pilih kembang api secara acak • •;
Ciptakan percikan khusus untuk kembang api menggunakan Algoritma 2;
berakhir untuk
Pilih lokasi terbaik dan simpan untuk generasi ledakan berikutnya;

Pilih secara acak n - 1 lokasi dari dua jenis percikan api dan kembang api saat ini
sesuai dengan probabilitas Kesalahan! Sumber referensi tidak ditemukan.

berakhir sementara

D. Multilayer Perceptron untuk masalah prediksi harga saham

JST merupakan salah satu teknik yang banyak digunakan dalam perdagangan
dan keuangan karena kemampuannya dalam mempelajari dan mengidentifikasi
hubungan antar variabel non linier. Beberapa penelitian membuktikan bahwa JST
lebih efisien daripada model regresi statistik dan memungkinkan analisis yang lebih
dalam dari kumpulan data yang besar, terutama yang cenderung berosilasi dalam
waktu yang singkat [4-6]. Namun, dalam masalah prediksi keuangan dengan data
deret waktu yang sangat besar, teknik preprocessing khusus dan algoritme
pengoptimalan harus digunakan untuk meningkatkan akurasi hasil yang diprediksi.
Gambar 4 Fungsi sigmoid dua kutub
Gambar 5 menjelaskan arsitektur MLP yang digunakan dalam pekerjaan kami.
Lapisan input berisi 30 neuron yang sesuai dengan 30 harga penutupan 30 hari
terakhir. Lapisan keluaran termasuk satu neuron adalah harga penutupan hari
berikutnya.

Dalam studi ini, multilayer perceptron, yang merupakan sejenis JST,

dikombinasikan dengan transformasi wavelet Haar dan FA [8] untuk membangun
sistem prediksi harga saham. Haar wavelet yang disebutkan sebelumnya akan
digunakan untuk menganalisis data harga saham dan untuk menyaring noise.
Transformasi wavelet dapat menangani sinyal yang tidak stabil di bidang ekonomi
dan keuangan [9]. FA digunakan untuk mengoptimalkan bobot dan bias MLP
untuk meningkatkan akurasi dan kemampuan pembelajaran MLP.

1) Pengaturan Jaringan Neural

Secara umum, perceptron multilayer mungkin memiliki banyak lapisan Gbr. 5 Arsitektur MLP untuk sistem prediksi saham - windowSize-8-1
tersembunyi dengan jumlah neuron yang tidak terbatas di setiap lapisan. Namun,
karya teoritis telah menunjukkan bahwa MLP

43
 2) Mengoptimalkan Bobot dan Bias MLP menggunakan Definisi 4: Grup hubungan logis fuzzy (FLRG)
FA Misalkan ada RENTANG berikut dengan LHS yang sama:

Dalam makalah ini, FA diterapkan untuk mengoptimalkan bobot dan bias • • → • •1

MLP sebelum proses pelatihan. Seorang individu kembang api ditunjukkan • • → • •2
pada Gbr.6. …
FA disajikan di bagian 2.3 di mana • menjadi dimensi vektor • dihitung • • → • ••
seperti pada Persamaan. (8) dan deskripsinya ditunjukkan pada Tabel I. Mengikuti model Chen [17], RENTANG ini dapat dikelompokkan menjadi FLRG
sebagai:
• = •• {1, 1} + • {1, 1} + •• {2, 1} + • {2, 1} (8) • • → • •1, • •2, …, • ••

TABEL I
2) Rangkaian waktu fuzzy tipe-2 untuk prediksi harga saham
P. ARAMETER UNTUK DIUSULKAN ANN ( JENDELA S IZE- 8-1)
masalah
Nilai Simbol Deskripsi
Model deret waktu fuzzy tipe-2 diusulkan oleh Huarng dan Yu [18]. Model
Bobot koneksi dari lapisan masukan ke
windowSize × 8 IW {1, 1} ini merupakan pengembangan dari model tipe-1 untuk menggunakan lebih
lapisan tersembunyi Bias neuron di
banyak observasi. Ini memiliki dua peningkatan penting yang merupakan
lapisan tersembunyi
8 b {1, 1} definisi operasi untuk memanfaatkan pengamatan ekstra dan metode untuk

Bobot koneksi antara lapisan menghitung perkiraan.

8×1 LW {2, 1} tersembunyi dan keluaran
Sebuah. Beberapa definisi untuk model tipe-2
1 b {2, 1} Bias dari neuron keluaran Sejumlah model runtun waktu fuzzy tipe-1 di masa lalu hanya menggunakan
satu variabel untuk peramalan, dan hanya beberapa observasi yang terkait
3) Melatih MLP dengan Algoritma Propagasi Balik
dengan variabel tersebut yang diterapkan. Kami menyebut observasi ini sebagai
Setelah melakukan optimasi MLP dengan menggunakan FA, proses observasi tipe-1, seperti penutupan indeks saham. Model tipe-2 menggunakan
pelatihan dilanjutkan dengan algoritma backpropagation sekitar 1000 siklus pengamatan ekstra seperti harga terbuka, tinggi, dan rendah.
lebih.
Definisi 5: Model deret waktu fuzzy tipe-2
E. Model fuzzy time series tipe-2 untuk masalah prediksi harga saham
Model deret waktu fuzzy tipe-2 dapat dianggap sebagai perluasan dari
model deret waktu fuzzy tipe-1. Model deret waktu fuzzy tipe-2 menggunakan
1) Beberapa definisi himpunan fuzzy dan deret waktu fuzzy RENTANG yang dibentuk oleh model tipe-1 yang mengandalkan observasi

Definisi 1: Set fuzzy tipe-1. Operator fuzzy seperti union dan intersection digunakan untuk

Set fuzzy • dari alam semesta wacana U diwakili menetapkan RENTANG baru yang diperoleh dari observasi tipe-1 dan tipe-2.
Prakiraan tipe-2 diperoleh dari RENTANG ini [18].
oleh semua pasangan elemen ( •, • • ( •)) sebagai berikut:

• = {(•, • • ( •)) | • ∈ •}
Definisi 6: Persatuan ( ∨) dan persimpangan ( ∧) operator FLRG untuk
dimana:
observasi tipe-1
•: adalah wacana alam semesta dari himpunan fuzzy A, yang diskrit dan
• • → • •1, • •2, …, • ••
terbatas
FLRG untuk observasi tipe-2
• •: adalah fungsi keanggotaan dari himpunan fuzzy • • • → • •1, • •2, …, • ••
• • ( •): adalah tingkat ketergantungan x pada himpunan fuzzy • {• • → • •1, • •2, …, • ••
Definisi 2: Deret waktu fuzzy
…
Membiarkan • (•) (• = ⋯, 0, 1, 2,…) menjadi bagian dari R dan • (•) menjadi
Persatuan ( ∨) dan persimpangan ( ∧) are defined for FLRG as follows:
the universe of discourse on which fuzzy sets • • ( •) are
defined. If •(•) is a collection of • 1( •), • 2( •), …, then •(•) is called a fuzzy time ∨ (• • , • • , • • , …) = ((• •1, • •2, … , • ••)
series defined on •(•). ∪ (• •1, • •2, … , • ••)
Definition 3: Fuzzy logical relationship (FLR)
∪ (• •1, • •2, … , • ••))
Assume that •(•) is caused by •(• − 1) only. The relationship is shown as:
∧ (• • , • • , • • , …) = ((• •1, • •2, … , • ••)
∩ (• •1, • •2, … , • ••)
•(•) = •(• − 1) ∗ •(•, • − 1)
∩ (• •1, • •2, … , • ••))
where:
where ∪ and ∩ are the union and intersection operators respectively for set
•(•, • − 1) : is the fuzzy logical relationship between
theory.
•(• − 1) and •(•)
Definition 7: Exception case of definition 6
* :represents an operator in the fuzzy set
If ∨ (• •, • • , • • , … ) = ∅, then let ∨ (• •, • • , • • , …) = • •.
Let •(• − 1) = • • and •(•) = • • . The relationship
where • • is the LHS of FLRG established by type-1 observations.
between •(• − 1) and •(•) ( referred to as the FLR [16]) can be denoted by:

If ∧ (• •, • • , • • , … ) = ∅, then let ∧ (• •, • • , • • , …) = • •.
••→ ••
b. Applying the type-2 fuzzy time series model for the stock price
where: prediction problem
• • : is called the left-hand side (LHS) Step 1: Choose a type-1 fuzzy time series model.
• •: is called the right-hand side (RHS) In this paper, Chen’s model [17] is chosen.

44
 •

•_••••ℎ• 0 … •_••••ℎ• ••••••••••∙8 •_•••• 0 … •_•••• 8 •_••••ℎ• 0 … •_••••ℎ• 8∙1 •_•••• 0

Weights of the connections from input ( windowSize neurons)

Biases of neurons in the hidden Weights of the connections between the Bias of the
hidden layer (8 neurons) and output (1
to the hidden layer (8 neurons) layer (8 neurons) output
neuron)
neuron (1

neuron)

Fig. 1 A firework individual is used for optimizing weights and biases of ANN

Step 2: Pick variables and type-1 observations. Suppose •(• − 1) = • • and • • → • •1, • •2, … , • •• then
This work uses the close price for the problem, so the close price is •(•) = • •1, • •2, … , • •• .
selected as type-1 observation. For example, the close price at 4/3/2016 is • 3 and FLRG is • 3 → • 1, • 4, the
Step 3: Apply the type-1 model to type-1 observations and obtain FLRGs close price at 7/3/2016 is • 1, • 4.

TABLE III
Following Chen’s model, the process of forecasting is carried out as F UZZY RELATIONSHIPS
follows:
+ Step 3-1: Define the universe of discourse • on historical time series Fuzzy logical relationship

data •3→ •1
• = [• ••• − • 1, • ••• + • 2] •1→ •1
where • ••• and • ••• are minimum and maximum values •1→ •2
of time series data respectively, • 1 and • 2 are two positive numbers. •2→ •3
•3→ •4
•4→ •4
+ Step 3-2: Divide the universe of discourse • into •
…
equal lengths of intervals • 1, • 2, … , • •
There are many previous works on introducing the
approach to compute the lengths of intervals [19-21]. In this paper, the TABLE IV
F UZZY LOGICAL RELATIONSHIP GROUP
number of intervals n will be calculated by using the distribution-based
technique [19], then the length of each interval will be optimized by the FA.
Fuzzy logical relationship group

• 3 → • 1, • 4
+ Step 3-3: Define fuzzy sets for observations
Fuzzy sets • • are defined through the membership functions, and we use a • 1 → • 1, • 2
triangular fuzzy set (0, 0.5, and 1) as •2→ •3
a degree of membership. •4→ •4
• 1 = 1/• 1 + 0.5/• 2 + 0/• 3 + ⋯+ 0/• •−1 + 0/• • …
• 2 = 0.5/• 1 + 1/• 2 + 0.5/• 3 + ⋯+ 0/• •−1 + 0/• • Step 6: Apply operators in definition 6 to the FLRGs for all the
• 3 = 0/• 1 + 0.5/• 2 + 1/• 3 + ⋯+ 0/• •−1 + 0/• • observations.
… For example:
• • = 0/• 1 + 0/• 2 + 0/• 3 + ⋯+ 0.5/• •−1 + 1/• • At 7/3/2016:
+ Step 3-4: Fuzzify the observations. Some fuzzy values are shown in Close price • 3 → • 1, • 4
Table II. Open price •2→ •3
High price • 1 → • 1, • 2
TABLE II
Low price •2→ •3
F UZZIFY THE DATA
Applying the union operator, we have:
Date Close price Fuzzified price ∨ (• 3, • 2, • 1, • 2) = { • 1, • 4} ∪ {• 3} ∪ {• 1, • 2} ∪ {• 3}
4/3/2016 710.89 •3 = {• 1, • 4, • 3, • 2}
7/3/2016 695.16 •1
Applying the intersection operator, we obtain:
8/3/2016 693.97 •1
∧ (• 3, • 2, • 1, • 2) = { • 1, • 4} ∩ {• 3} ∩ {• 1, • 2} ∩ {• 3} = ∅
9/3/2016 705.24 •2
As ∧ (• 3, • 2, • 1, • 2) = ∅ and • 3 is the LHS of type-1
10/3/2016 712.82 •3
observation, so ∧ (• 3, • 2, • 1, • 2) = • 3 following definition
11/3/2016 726.82 •4
7.
14/3/2016 730.49 •4
Step 7: Defuzzify the forecasts
15/3/2016 728.33 •4
… … … Supposing the forecast when using the operator • ( union

+ Step 3-5: Establish fuzzy relationships based on definition 3. Some or intersection) is • •1, • •2, … , • •• , the arithmetic average of

fuzzy relationships are listed in Table III. intervals • •1, • •2, … , • •• are • •1, • •2, … , • •• respectively [17] the defuzzified

+ Step 3-6: Establish FLRGs based on Definition 4 and are shown in forecast when using the operator • is
Table IV. computed as follows:
Step 4: Pick type-2 observations and fuzzify these observations. ∑•
• •( •) = •=1 • ••
•
Step 5: Map out-of-sample observations to FLRGs for type-1 and type-2 Step 8: Calculate forecasts for the type-2 model
observations and obtain forecasts.

45
 • •••••( •)+• ••••••••••••( •) a. On the MLP neural network
•(•) =
2 Using data being removed noise to train the network gives results with
fewer rates of errors and faster speed of convergence when compared to the
3) Improved the type-2 fuzzy time series model using the
original data containing a lot of jags.
FA
With regard to the time series model, the selection of interval lengths is Table V shows that when using Wavelet transform the values of
extremely essential. The intervals with suitable lengths can increase the evaluation criteria reduce about 10% on three data sets. Fig. 8 illustrates that
forecasting accuracy of the model. The lengths of intervals should not be too MLP converges faster with the use of Wavelet as well as fewer errors.
large or small. When an effective length of intervals is too large, there will be
no fluctuations in the fuzzy time series. By contrast, when the length is too
small, the meaning of fuzzy time series will be diminished [19]. In this paper,
the FA is used to optimize the lengths of intervals without modifying the
number of intervals in order to improve the forecasting accuracy of the
proposed type-2 model.

The FA used to optimize the lengths of intervals is similar to the

optimization of weights and biases of the ANN.
Let n be the number of intervals, • 0 and •• be the lower and upper bounds
of the universe of discourse •. Intervals
are specified as follows: • 1 = ( • 0, • 1] , • 2 = ( • 1, • 2] , …,
• • = ( • •−1, • •] . To adjust the lengths of intervals • • , we
need to tune • 1, • 2, … , • •−1. Fig. 8 RMSE of the training stage using and non-using Wavelet (GOOG)
Let • = • − 1 be the dimensionality of the vector • , a
firework individual are shown in Fig. 7. b. On the type-2 fuzzy time series model
Using data being removed noise for the type-2 fuzzy time series model
•1 •2 … •• … •• generates less rate of errors compared with utilizing original data. Table 6
Fig. 7 The graphical representation of a firework individual shows that evaluation criteria are lower about 4% on three data sets when
using the Wavelet transform.
III. R ESULTS AND D ISCUSSION

A. Test suites 2) The effect of the FA on obtained results

Test suites contain historical data of Google Inc. (GOOG), Apple Inc.
(AAPL) and Yahoo! Inc. (YHOO) in the period of 2011-2016, which is taken
from Yahoo Finance [22]. The data from 1/2011 to 5/2015 are used for
training and the data from 6/2015 to 12/2015 are employed for testing. The
close price is chosen for the type-1 observation and open, high, and low
prices are selected for type-2 observations.
a. An experimental result for the MLP
The FA is used for optimizing weights and biases of MLP. Table VII
indicates that the use of the FA contributes to the decrease of the rate of error
4% for three data sets. Fig. 9 shows that the speed of convergence of MLP
using FA is faster than the figure without using FA.

B. Evaluation criteria
The proposed approaches were evaluated according to the root mean
squared error (RMSE), the mean absolute error (MAE) and the mean
absolute percentage error (MAPE) criteria. These criteria are defined as Eqs.
(9)-(11):

2
•••• = √ 1 ×∑ • •=1( • • − • •) (9)
•

••• = 1 ×∑ • •=1| ••− ••| (10)

•
1 ••−••|
•••• = × •=1 | ∑• (11)
• ••

where N is the size of testing sets.

These criteria measure how the predicted value O is close to the real
value Y. The lower these measures, the better result is.

Fig. 9 RMSE of the training stage using and non-using the FA (GOOG)

C. Evaluation the efficiency of proposed methods

1) The effect of data pre-processing
As mentioned above, the Haar wavelet transform is capable of removing
noise. Therefore, this transform suits to oscillating and aperiodic time series
in the finance field.
b. Experimental results for the type-2 fuzzy time series
model
The FA is employed to optimize the lengths of intervals in the type-2 fuzzy
time series model. Table VIII shows that all

46
evaluation criteria decrease approximately 14% on three data sets. quite close to the actual values. Table X compares both approaches on
evaluation criteria. On the GOOG and YHOO data sets, the type-2 fuzzy time
series model outperforms the MLP, but with regard to the APPL data set the
3) The comparison of effectiveness of the MLP and the
results of the MLP is better. These outcomes point out that both methods
type-2 fuzzy time series model
operate positively on the stock price prediction problem
Some predicted and actual stock prices are presented in Table IX. It can
be seen that the results of both methods are

TABLE V
E XPERIMENTAL RESULTS OF USING WAVELET AND NON-USING WAVELET FOR MLP

RMSE MAE MAPE

Data Non-using Non-using Non-using
Using Wavelet Using Wavelet Using Wavelet
Wavelet Wavelet Wavelet
GOOG 16.179096034 15.583675622 10.996050585 9.8007136873 0.01681707763 0.01513746464

YHOO 1.4107560087 1.0782307416 1.2330175587 0.8996423068 0.03606867283 0.02616432261

AAPL 2.2140730306 1.8988680080 1.6700202678 1.2966802561 0.01435722456 0.01117525385

TABLE VI
E XPERIMENTAL RESULTS OF USING WAVELET AND NON-USING WAVELET FOR THE TYPE- 2 FUZZY TIME SERIES

RMSE MAE MAPE

Data
Non-using Non-using Non-using
Using Wavelet Using Wavelet Using Wavelet
Wavelet Wavelet Wavelet
GOOG 14.755959495 14.573109611 9.3625158962 9.3009008324 0.01470145796 0.01467308764

YHOO 0.7709360263 0.7361407690 0.5970207073 0.5620274508 0.01725476518 0.01631951684

AAPL 2.5433957075 2.3565977119 1.8862876687 1.7978730607 0.01613542310 0.01533547895

TABLE VII
E XPERIMENTAL RESULTS OF USING AND NON-USING FA FOR MLP

RMSE MAE MAPE

Data
MLP-WT FA-MLP-WT MLP-WT FA-MLP-WT MLP-WT FA-MLP-WT
GOOG 15.583675622 15.097525202 9.8007136873 9.3064012117 0.01513746464 0.01428814224

YHOO 1.0782307416 0.9823318462 0.8996423068 0.7917688713 0.02616432261 0.02297524598

AAPL 1.8988680080 1.7424727978 1.2966802561 1.0355117575 0.01117525385 0.00893198666

TABLE VIII
E XPERIMENTAL RESULTS OF THE TYPE 2 FUZZY TIME SERIES MODEL USING FA AND WITHOUT USING FA

RMSE MAE MAPE

Data
FL-WT FA-FL-WT FL-WT FA-FL-WT FL-WT FA-FL-WT
GOOG 14.573109611 12.644674238 9.3009008324 8.3658208050 0.01467308764 0.01318352093

YHOO 0.7361407690 0.6695918696 0.5620274508 0.5041202840 0.01631951684 0.01468910967

AAPL 2.3565977119 1.9322778836 1.7978730607 1.4570245705 0.01533547895 0.01252927716

TABLE IX
T HE ESTIMATION PRICES AND ACTUAL PRICES USING TWO METHODS ( GOOG)

Actual Estimation price Estimation

Date
price using MLP price using FL
7/1/2015 521.84 523.2709 522.414

7/2/2015 523.4 526.4202 522.414

7/6/2015 522.86 525.6905 522.9141

7/7/2015 525.02 526.6143 522.9141

7/8/2015 516.83 526.9593 526.5342

7/9/2015 520.68 521.7441 521.2576

47
 7/10/2015 530.13 522.6101 521.2576

7/13/2015 546.55 539.155 532.8907

7/14/2015 561.1 538.6853 545.6281

7/15/2015 560.22 556.7093 553.5436

7/16/2015 579.85 558.3197 553.8097

7/17/2015 672.93 572.007 579.2478

7/20/2015 663.02 660.8878 666.7435

7/21/2015 662.3 656.3988 663.5317

7/22/2015 662.1 646.8647 663.6847

7/23/2015 644.28 649.8848 665.6566

7/24/2015 623.56 643.4145 646.4002

7/27/2015 627.26 622.5959 626.1949

7/28/2015 628 623.5853 624.0232

7/29/2015 631.93 614.7239 632.7493

7/30/2015 632.59 619.9512 631.4984

7/31/2015 625.61 624.8217 631.4984

RMSE 15.097525202 12.644674238

TABLE X
A COMPARISON OF EXPERIMENTAL RESULTS USING THE ANN AND THE TYPE 2 FUZZY TIME SERIES MODEL

RMSE MAE MAPE

Data
FA-MLP-WT FA-FL-WT FA-MLP-WT FA-FL-WT FA-MLP-WT FA-FL-WT
GOOG 15.097525202 12.644674238 9.3064012117 8.3658208050 0.01428814224 0.01318352093

YHOO 0.9823318462 0.6695918696 0.7917688713 0.5041202840 0.02297524598 0.01468910967

AAPL 1.7424727978 1.9322778836 1.0355117575 1.4570245705 0.00893198666 0.01252927716

logic is proved as a great substitute for tools that need real time data in stock
IV. C ONCLUSIONS prices. Moreover, the type-2 fuzzy time series model in this work used four
factors including the open, high, low, and close prices to give the estimation
A mathematical modeling of a stock price prediction problem is a process
results, so the outcomes are better when compared with the MLP using only
of determining the variation pattern of variables of the problem from the
the close price.
analysis of figures and historical data. Due to the complexity of the problem
with many practical factors, the common mathematical modeling techniques
expose a large number of limitations. Therefore, this paper explores the soft
N OMENCLATURE
computing methods such as fuzzy logic and artificial neural network to deal
with the stock price prediction problem, resulting in the suggested and ANN Artificial Neural Network FL
reference values for traders. Fuzzy Logic
MLP Multilayer Perceptron

As for MLP, though the obtained results and estimation effectiveness are
quite positive, the stock price prediction problem usually requires more
reliable approaches to enhance the efficiency of the training process.
Simultaneously, we need to use the open, high, and low prices in comparison
with the close price to improve the quality of estimation results. However, the
current MLP can use only the close price and this is a main drawback of the
MLP.
Fuzzy logic might overcome a number of disadvantages of conventional
techniques and MLP. The generations of a fuzzy prediction system can rely
on both the expert knowledge and time series data to produce the results.
Fuzzy logic provides a flexible approach with fewer assumptions for time
series data in the field of finance. In addition, fuzzy
R EFERENCES
[1] M. Gerasimo, P. Konstantions, T. Yannis, and T. Babis, "Intelligent Stock
Market Assistant using Temporal Data Mining," in
Proceedings 10 th Panhellenics Conference in Informatics (PCI05),
Volos, Greece, 2005.
[2] T. H. Roh, "Forecasting the volatility of stock price index," Expert Systems with
Applications, vol. 33, pp. 916-922, 2007.
[3] I. M. Yassin, R. Jailani, M. Ali, R. Baharom, A. Hassan, and Z. I. Rizman,
"Comparison between Cascade Forward and Multi-Layer Perceptron Neural
Networks for NARX Functional Electrical Stimulation (FES)-Based Muscle Model,"
International Journal on Advanced Science, Engineering and Information
Technology, vol. 7(1), 215-221, 2017.
[4] A. Adebiyi, C. Ayo, M. O. Adebiyi, and S. Otokiti, "Stock Price Prediction using
Neural Network with Hybridized Market Indicators," Journal of Emerging Trends
in Computing and Information Sciences, vol. 3, pp. 1-9, 2012.

48
[5] I. El-Henawy, A. Kamal, H. Abdelbary, and A. Abas, "Predicting stock index using
neural network combined with evolutionary computation methods," in The 7th
International Conference on Informatics and Systems (INFOS), 2010, pp. 1-6.
[6] E. Nourani, A. M. Rahmani, and A. H. Navin, "Forecasting stock prices using a
hybrid Artificial Bee Colony based neural network," in
International Conference on Innovation Management and Technology
Research (ICIMTR), 2012, pp. 486-490.
[7] T. A. T. Mohd, M. K. Hassan, I. Aris, C. S. Azura, and B. S. K. Ibrahim, "Application
of Fuzzy Logic in Multi-Mode Driving for a Battery Electric Vehicle Energy
Management," International Journal on Advanced Science, Engineering and
Information Technology, vol. 7(1), pp. 284-290, 2017.
[8] Y. Tan and Y. Zhu, "Fireworks algorithm for optimization," in
Advances in Swarm Intelligence, ed: Springer, 2010, pp. 355-364.
[9] J. B. Ramsey, "The contribution of wavelets to the analysis of economic and
financial data," Philosophical Transactions of the Royal Society of London A:
Mathematical, Physical and Engineering Sciences, vol. 357, pp. 2593-2606, 1999.
[10] Y. Tan, Fireworks Algorithm: Springer, 2015.
[11] M. Sifuzzaman, M. Islam, and M. Ali, "Application of wavelet transform and its
advantages compared to Fourier transform,"
Journal of Physical Sciences, vol. 13, pp. 121-134, 2009.
[12] K. Hornik, M. Stinchcombe, and H. White, "Multilayer feedforward networks are
universal approximators," Neural networks, vol. 2, pp. 359-366, 1989.
[13] H. Takaho, T. Arai, T. Otake, and M. Tanaka, "Prediction of the Next Stock Price
using Neural Network for Data Mining," in International
49
Symposium on Non-Linear Theory and its Applications, 2002, pp. 411-414.
[14] G. Cybenko, "Approximation by superpositions of a sigmoidal function," Mathematics
of control, signals and systems, vol. 2, pp. 303-314, 1989.
[15] A. Omidi, E. Nourani, and M. Jalili, "Forecasting stock prices using financial data
mining and Neural Network," in 3rd International Conference on Computer Research
and Development (ICCRD), 2011, pp. 242-246.
[16] H. Tanaka, "Fuzzy data analysis by possibilistic linear models,"
Fuzzy sets and systems, vol. 24, pp. 363-375, 1987.
[17] S.-M. Chen, "Forecasting enrollments based on fuzzy time series,"
Fuzzy sets and systems, vol. 81, pp. 311-319, 1996.
[18] K. Huarng and H.-K. Yu, "A type 2 fuzzy time series model for stock index
forecasting," Physica A: Statistical Mechanics and its Applications, vol. 353, pp.
445-462, 2005.
[19] K. Huarng, "Effective lengths of intervals to improve forecasting in fuzzy time series,"
Fuzzy sets and systems, vol. 123, pp. 387-394,
2001.
[20] K. Huarng and T. H.-K. Yu, "Ratio-based lengths of intervals to improve fuzzy
time series forecasting," IEEE Transactions on Systems, Man, and Cybernetics,
Part B: Cybernetics, vol. 36, pp. 328-340, 2006.
[21] U. Yolcu, E. Egrioglu, V. R. Uslu, M. A. Basaran, and C. H. Aladag, "A new approach
for determining the length of intervals for fuzzy time series," Applied Soft Computing, vol.
9, pp. 647-651, 2009. Yahoo Finance Web. [online]. Available:
[22] http://finance.yahoo.com/ (Accessed 12 March, 2017).