IKO
NIM : 413418048
ANALISIS PERBANDINGAN METODE FUZZY TIME SERIES CHENG DAN
METODE SUPPORT VECTOR REGRESSION (SVR) DENGAN ALGORITMA
GENETIKA PADA PERAMALAN INDEKS HARGA SAHAM GABUNGAN
(IHSG)
BAB 1
PENDAHULUAN
Analisis time series adalah salah satu prosedur statistika yang diterapkan untuk
meramalkan struktur probabilistik keadaan yang akan terjadi dimasa yang akan datang
dalam rangka pengambilan keputusan (Aswi dan Sukarna, 2006). Data time series
merupakan data yang terdiri atas satu objek tetapi meliputi beberapa periode waktu
misalnya data harian, mingguan, bulanan, tahunan, dan lain-lain (Makridakis dkk, 1999).
Data time series yang digunakan adalah data historis yang diukur berdasarkan suatu
pengamatan tertentu. Karena data yang digunakan adalah data yang terukur, maka
peramalan secara time series, termasuk ke dalam peramalan kuantitatif. Metode prediksi
time series beranggapan bahwa data atau kejadian masa lalu akan cenderung berulang
dimasa yang akan datang. Fokus prediksi secara time series adalah apa yang akan terjadi,
bukan mengapa hal itu terjadi.
Logika fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh melalui tulisannya
pada Tahun 1965 tentang teori himpunan fuzzy. Logika fuzzy adalah metode berhitung
dengan variabel kata-kata (linguistic variable), sebagai pengganti berhitung dengan
bilangan. Istilah fuzzy berarti kabur atau tidak jelas, namun sistem fuzzy yang dibangun
untuk memodelkan peramalan tersebut tetap mempunyai cara kerja dan deskripsi yang jelas
berdasarkan pada teori logika fuzzy (Kusumadewi dan Purnomo, 2013).
Fuzzy time series adalah metode peramalan data yang menggunakan prinsip-prinsip
fuzzy sebagai dasarnya. Sistem peramalan dengan fuzzy times series menangkap pola dari
data yang telah lalu kemudian digunakan untuk memproyeksikan data yang akan datang.
Himpunan fuzzy dapat diartikan sebagai suatu kelas bilangan dengan batasan samar. Nilai-
nilai yang digunakan dalam peramalan fuzzy time series adalah himpunan fuzzy dari
bilangan-bilangan real atas himpunan semesta yang sudah ditentukan. Himpunan fuzzy
digunakan untuk menggantikan data historis yang akan diramalkan. Metode Cheng
mempunyai cara yang sedikit berbeda dalam penentuan interval, menggunakan FLR
NAMA : MUHAMMAD AL-HADDAD P. IKO
NIM : 413418048
dengan memasukan semua hubungan (all relationship) dan memberikan bobot berdasarkan
pada urutan dan perulangan FLR yang sama.
Support Vector Machine (SVM) pada awalnya dikembangkan untuk mengatasi
masalah klasifikasi namun dalam perkermbangannya SVM juga mampu mengatasi
masalah regresi. SVM dapat digeneralisasi untuk melakukan pendekatan fungsi regresi
dengan menggunakan konsep ε-insensitive loss function. Konsep ε-insensitive loss
function digunakan untuk mengevaluasi seberapa baik fungsi regresi yang digunakan.
SVM yang mampu mengatasi masalah regresi disebut Support Vector Regression (SVR).
SVR mempertahankan fitur utama dalam SVM yang merupakan ciri dari algoritme batas
maksimal (Chen, Lu, Yang dan Li, 2004). SVR bertujuan untuk membuat garis pemisah
yang dekat dengan sebanyak-banyaknya data dan memperkecil jarak antara garis pemisah
dan data. Untuk mengetahui seberapa baik kinerja SVR maka diperlukan cara untuk
mengevaluasi hasil peramalan. Salah satu cara evaluasi kinerja SVR adalah menggunakan
Mean Absolute Percentage Error (MAPE).
Pasar modal merupakan salah satu sarana yang efektif untuk mempercepat
akumulasi dana bagi pembiayaan pembangunan melalui mekanisme pengumpulan dana
dari masyarakat dan menyalurkan dana tersebut ke sektor-sektor produktif. Dengan
berkembangnya pasar modal, maka alternatif investasi bagi para pemodal kini tidak lagi
terbatas pada “aktiva riil” dan simpanan pada sistem perbankan melainkan dapat
menanamkan dananya di pasar modal, baik dalam bentuk saham, obligasi, maupun
sekuritas (aktiva finansial) lainnya. Kehadiran pasar modal memperbanyak pilihan sumber
dana bagi investor serta menambah pilihan investasi, yang dapat juga diartikan kesempatan
untuk memperoleh imbal hasil semakin besar sesuai dengan karakteristik investasi yang
dipilih. Kehadiran pasar modal di Indonesia ditandai dengan banyaknya investor yang
mulai menanamkan sahamnya dalam industri real estate and property. Bisnis real estate
and property baik residensial maupun komersial menunjukkan perkembangan yang cukup
pesat di Indonesia. Pasar modal yang mengalami peningkatan atau penurunan dapat dilihat
dari fluktuasi harga-harga saham yang tercatat melalui suatu pergerakan indeks atau lebih
dikenal dengan Indeks Harga Saham Gabungan (IHSG).
Kuswiratmo (2016) mengartikan saham adalah benda bergerak yang memberikan
hak kebendaan kepada pemilik saham dan setiap orang dapat mempertahankan hak
tersebut. Seorang atau pihak (badan usaha) tertentu yang membeli saham berarti otomatis
orang/pihak tersebut membeli sebagian kepemilikan atas perusahaan yang dibeli. IHSG
NAMA : MUHAMMAD AL-HADDAD P. IKO
NIM : 413418048
adalah indeks pasar saham yang secara efektif digunakan pada Bursa Efek Indonesia (BEI).
Indeks ini merupakan daftar seluruh saham yang saat ini diperjualbelikan di BEI.
Perkembangan Bursa Efek Indonesia (BEI) dari tahun ke tahun meningkat jumlah saham
yang ditransaksikan dan kian tinggi utuk volume perdagangan saham. Hal ini didukung
oleh pemerintah yang telah membuka kesempatan dan mempermudah bagi investor untuk
menginvestasikan modalnya di Indonesia. Peran penting dari pemerintah ini sangat
menguntungkan investor dari dalam negeri maupun luar negeri.
Harga saham adalah data runtun waktu, oleh karena itu untuk meramalkan harga
saham tersebut menggunakan metode time series. Ada banyak metode time series yang
dapat digunakan untuk meramalkan harga saham. Untuk penelitian ini, peneliti tertarik
ingin membandingkan metode Fuzzy Time Series Cheng dan metode Support Vector
Regression (SVR) dengan melihat besar kecilnya Mean Absolute Percentage Error
(MAPE). Jika MAPE dari salah satu metodenya itu lebih kecil, maka metode tersebut bisa
dikatakan metode terbaik untuk melihat hasil peramalan yang diteliti.
LANDASAN TEORI
Data berkala adalah data yang dikumpulkan dari waktu ke waktu, untuk
menggambarkan perkembangan suatu kegiatan. Analisis data berkala memungkinkan
kita untuk mengetahui perkembangan suatu atau beberapa kejadian serta
hubungan/pengaruhnya terhadap kejadian lainnya (Supranto, 1987). Pola gerakan data
atau nilai-nilai variabel dapat diikuti atau diketahui dengan adanya data berkala,
sehingga data berkala dapat dijadikan sebagai dasar untuk:
1. Pembuatan keputusan pada saat ini.
2. Peramalan keadaan perdagangan dan ekonomi pada masa yang akandatang.
3. Perencanaan kegiatan dimasa yang akan datang.
Gerakan-gerakan khas dari data time series dapat digolongkan ke dalam
empat kelompok utama, yang sering disebut komponen-komponen time series:
1. Gerakan jangka panjang atau sekuler merujuk kepada arah umum dari grafik time
series yang meliputi jangka waktu yang panjang.
2. Gerakan siklis (cyclical movements) atau variasi siklis merujuk kepada gerakan
naik-turun dalam jangka panjang dari suatu garis atau kurva trend. Siklis yang
demikian dapat terjadi secara periodik ataupun tidak, yaitu dapat ataupun tidak
dapat mengikuti pola yang tepat sama setelah intervalinterval waktu yang sama.
Dalam kegiatan bisnis dan ekonomi, gerakangerakan hanya dianggap siklis apabila
timbul kembali setelah interval waktu lebih dari satu tahun.
3. Gerakan musiman (seasonal movements) atau variasi musim merujuk kepada pola-
pola yang identik, atau hampir identik, yang cenderung diikuti suatu time series
selama bulan-bulan yang bersangkutan dari tahun ke tahun. Gerakan-gerakan
demikian disebabkan oleh peristiwa-peristiwa yang berulang-ulang terjadi setiap
tahun.
4. Gerakan tidak teratur atau acak (irregular or random movements) merujuk kepada
gerakan-gerakan sporadis dari time series yang disebabkan karena 12 peristiwa-
peristiwa kebetulan seperti banjir, pemogokan, pemilihan umum, dan sebagainya.
Meskipun umumnya dianggap bahwa peristiwa-peristiwa demikian menyebabkan
NAMA : MUHAMMAD AL-HADDAD P. IKO
NIM : 413418048
variasi-variasi yang hanya berlangsung untuk jangka pendek, namun dapat saja
terjadi bahwa peristiwa-peristiwa ini demikian hebatnya sehingga menyebabkan
gerakan-gerakan siklis atau hal lain yang baru (Spiegel, 1988)
Fuzzy time series (FTS) adalah metode yang diperkenalkan oleh Song dan
Chissom (1993) yang merupakan suatu konsep yang digunakan untuk meramalkan
masalah di mana data aktual dibentuk dalam nilai-nilai linguistik (Kusumadewi dan
Purnomo, 2013). Metode ini juga menerapkan peramalan adaptif dalam memodifikasi
peramalan. Tahapan-tahapan peramalan pada data time series menggunakan fuzzy time
series Cheng adalah sebagai berikut :
𝑎𝑖∗ dan 𝑎𝑖 merupakan variabel Lagrange, K(𝑥𝑖 , x) merupakan fungsi kernel dan 𝜆
merupakan variabel skalar.
Fungsi kernel bertujuan untuk memetakan data yang awalnya non linier ke dalam ruang
fitur. Dengan menggunakan fungsi kernel mampu mendeteksi hubungan linear dalam
ruang fitur tersebut. Fungsi kernel yang sering digunakan dan dipakai dalam penelitian
ini adalah Radial Basis Function (RBF) yang dapat diformulasikan pada Persamaan 2.
2
−‖𝑥𝑖 −𝑥𝑗 ‖
= exp ( )
2𝜎2
S adalah hasil aktual, R adalah hasil peramalan dan n adalah banyaknya data.
2.1.4 Algoritma Genetika
Algoritme genetika adalah algoritme iteratif yang biasanya beroperasi dalam
populasi yang konstan dan dieksekusi berdasarkan urutan tertentu. Algoritme genetika
diawali dengan proses pembentukan populasi yang diinisialisasi secara acak.
Kromosom terdiri dari 4 gen berupa bilangan riil yang merupakan parameter SVR yang
akan dioptimasi. Parameter tersebut antara lain sigma (𝜎) yang mempengaruhi
Gaussian kernel yang terbentuk, epsilon (𝜀) yang mempengaruhi batas dimana
kesalahan klasifikasi dapat diabaikan, (𝐶) yang mempengaruhi nilai penalti yang
diberikan ketika terjadi kesalahan klasifikasi dan gamma (𝛾) yang mempengaruhi laju
pembelajaran. Proses selanjutnya yaitu proses pembentukan individu baru yang
didapatkan dengan melakukan crossover dan mutasi. Contoh representasi kromosom
dapat dilihat pada Tabel 1.
Tabel 1 Contoh Representasi Kromosom
Individu 𝜎 𝜀 𝐶 𝛾
I1 0,4544 14,530 1,091x10-05 0,062
I2 0,6938 68,024 8,657x10-05 0,003
A merupakan individu anak, I adalah individu induk dan α merupakan faktor skalar
NAMA : MUHAMMAD AL-HADDAD P. IKO
NIM : 413418048
dengan rentang [-d,1+d]. Contoh hasil crossover dengan alpha sebesar 0,5 dapat dilihat
pada Tabel 2.
Individu 𝜎 𝜀 𝐶 𝛾
A1 0,5741 41,277 4,87x10-05 0,0325
Individu 𝜎 𝜀 𝐶 𝛾
A2 0,6714 65,537 8,41x10-05 0,001
Affenzeler, M., Wagner, S., Winkler, S. dan Beham, A., 2009. Genetic Algorithm and Genetic
Aswi dan Sukarna. (2006). Analisis Data Deret Waktu: Teori dan Aplikasi. Makasar: Andira
Publisher.
Azis, M., Mintarti, S. dan Nadir, M., 2015. manajemen Investasi Fundamental, Teknikal,
Perilaku Investor dan Return Saham. Deepublish.
Makridakis, S., Wheelwright S.C., dan Mc Gee V.E. (1999). Metode dan Aplikasi Peramalan.
Edisi 2. Jakarta: Binarupa Aksara
Chen, N., Lu, W., Yang, J. dan Li, G., 2004. Support Vector Machine in Chemistry. Singapore:
World Scientific.
Fahmi, T., Sudarno, dan Wilandari, Y. (2013). Perbandingan Metode Eksponensial Tunggal
dan Fuzzy Time Series untuk Memprediksi
Indeks Harga Saham Gabungan. Jurnal Gaussian, 2, 137-146.
Kusumadewi, S., dan Purnomo, H. (2013). Aplikasi Logika Fuzzy untuk Pendukung Keputusan.
Yogyakarta: Graha Ilmu.
Kuswiratmo, B.A. 2016. Memulai Usaha Itu Gampang!. Jakarta: Visimedia Pustaka.
Lu, X. & Geng, X., 2011. Car Sales Volume Prediction Based on Particle Swarm Optimization
Supranto, J. 1993. Metode Ramalan Kuantitatif Untuk Perencanaan Ekonomi dan Bisnis.
Spiegel, R. Murray & Stephens, Larry J STATISTIK Schaum's OuTlines, Edisi Ketiga (2007).
Vapnik, V., Golowich, S. & Smola, A., 1997. Support Vector Method for Function
Zubir, Z., 2013. Manajemen Portofolio Penerapannya dalam Investasi Saham. Jakarta:
NAMA : MUHAMMAD AL-HADDAD P. IKO
NIM : 413418048
Salemba Empat.