Anda di halaman 1dari 14

NAMA : MUHAMMAD AL-HADDAD P.

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

1.1 Latar Belakang

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.

1.2 Rumusan Masalah


Berdasarkan latar belakang di atas, maka rumusan masalah pada penelitian ini adalah :
1. Bagaimana menghitung dan menganalisis menggunakan metode Fuzzy Time Series
Cheng dan metode Support Vector Regression (SVR) pada peramalan Indeks Harga
Saham Gabungan (IHSG) ?
2. Bagaimana hasil perhitungan nilai Mean Absolute Percentage Error (MAPE) pada
peramalan Indeks Harga Saham Gabungan (IHSG) menggunakan metode Fuzzy Time
Series Cheng dan metode Support Vector Regression (SVR) ?
3. Bagaimana perbandingan hasil perhitungan peramalan Indeks Harga Saham Gabungan
(IHSG) dengan metode Fuzzy Time Series Cheng dan metode Support Vector
Regression (SVR) ?

1.3 Tujuan Penelitian


Berdasarkan rumusan masalah di atas, maka tujuan yang ingin dicapai dalam penelitian
ini adalah :
1. Untuk mengetahui cara menghitung dan menganalisis menggunakan metode Fuzzy
Time Series Cheng dan metode Support Vector Regression (SVR) pada peramalan
Indeks Harga Saham Gabungan (IHSG).
NAMA : MUHAMMAD AL-HADDAD P. IKO
NIM : 413418048
2. Untuk mengetahui hasil perhitungan nilai Mean Absolute Percentage Error (MAPE)
pada peramalan Indeks Harga Saham Gabungan (IHSG) menggunakan metode Fuzzy
Time Series Cheng dan metode Support Vector Regression (SVR).
3. Untuk mengetahui perbandingan hasil perhitungan peramalan Indeks Harga Saham
Gabungan (IHSG) dengan metode Fuzzy Time Series Cheng dan metode Support
Vector Regression (SVR).

1.4 Manfaat Penelitian


Sesuai dengan tujuan penelitian, maka manfaat penelitian ini adalah :
1. Menambah wawasan tentang metode-metode yang dapat digunakan pada peramalan
Indeks Harga Saham Gabungan.
2. Menambah wawasan tentang penerapan ekonometri pada ilmu runtun waktu dan
perhitungan saham dengan metode Fuzzy Time Series Cheng dan metode Support
Vector Regression (SVR).
3. Penelitian ini dapat menjadi bahan untuk memprediksi, menghitung dan
membandingkan metode dengan melihat nilai Mean Absolute Percentage Error
(MAPE) yang di dapatkan.
NAMA : MUHAMMAD AL-HADDAD P. IKO
NIM : 413418048
BAB II

LANDASAN TEORI

2.1 Kajian Teori

2.1.1 Analisis Runtun Waktu

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)

2.1.2 Fuzzy Time Series Cheng

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 :

1. Mendefinisikan semesta pembicaraan (universe of discourse) kemudian membaginya


menjadi beberapa interval dengan jarak yang sama. Bila ada jumlah data dalam suatu
interval lebih besar dari nilai rata-rata dari banyaknya data pada tiap interval, maka
pada interval tersebut dapat dibagi lagi menjadi interval yang lebih kecil dengan
membagi 2.
2. Mendefinisikan himpunan fuzzy pada semesta pembicaraan dan melakukan fuzzifikasi
pada data historis yang diamati. Misal A1, A2, ....Ak adalah himpunan fuzzy yang
mempunyai nilai linguistik dari suatu variabel linguistik. Pendefinisian himpunan
fuzzy A1, A2, Ak.
𝑎11 𝑎12 𝑎1𝑚
A1 = + + ⋯+
𝑢1 𝑢2 𝑢𝑚
𝑎21 𝑎22 𝑎2𝑚
A2 = + + ⋯+
𝑢1 𝑢2 𝑢𝑚
𝑎31 𝑎32 𝑎𝑘𝑚
Ak = + +⋯+
𝑢1 𝑢2 𝑢𝑘

dimana aij mempunyai range [0,1], 1 ≤ i ≤ k dan 1 ≤ j ≤ m. Nilai dari a ij menandakan


derajat keanggotaan dari uj dalam himpunan fuzzy Ai.
3. Menetapkan relasi fuzzy logic berdasarkan data historis. Pada data yang telah
difuzzifikasi dua himpunan fuzzy yang berurutan Ai(t-1) dan Aj(t) dapat dinyatakan
sebagai FLR Ai→Aj.
4. Mengklasifikasi relasi fuzzy logic dengan all relationship. FLR yang memiliki LHS
yang sama dapat dikelompokkan menjadi group FLR. Misalnya Ai→Aj, Ai→Ak,
Ai→Am dapat dikelompokkan menjadi Ai→Aj, Ak, Am. Semua group FLR dengan LHS
NAMA : MUHAMMAD AL-HADDAD P. IKO
NIM : 413418048
yang sama dapat dinyatakan dalam bentuk matrik.
5. Menetapkan bobot pada kelompok relasi fuzzy logic. Misal terdapat suatu urutan
FLR yang sama, (t=1) A1 → A1 , diberikan bobot 1 (t=2) A2 → A1 , diberikan
bobot 1 (t=3) A1 → A1 , diberikan bobot 2 (t=4) A1 → A1 , diberikan bobot 3
(t=5) A1 → A1 , diberikan bobot 4.
6. Kemudian mentransfer bobot tersebut ke dalam matriks pembobotan yang telah
dinormalisasi (𝑊𝑛 (𝑡)) yang persamaannya ditulis berikut.
Wn’(t) = [𝑊 ′ 1, 𝑊 ′ , … , 𝑊 ′ 𝑘 ]
𝑊1 𝑊 𝑊
= [∑𝑖 , ∑𝑖 2𝑊 , … , ∑𝑖 𝑘𝑊 ]
𝑊
ℎ=1 ℎ ℎ=1 ℎ ℎ=1 ℎ

7. Menghitung hasil peramalan. Untuk menghasilkan nilai peramalan, matriks


pembobotan (W(t)) yang telah dinormalisasi menjadi 𝑊𝑛 (𝑡) tersebut kemudian
dikalikan dengan matriks defuzifikasi yaitu 𝐿𝑑𝑓 .
𝐿𝑑𝑓 = 𝑚1 , 𝑚2 , … , 𝑚𝑘 ] dimana 𝑚𝑘 adalah nilai tengah dari tiap-tiap interval. Cara untuk
menghitung peramalannya adalah
𝐹𝑡 = 𝐿𝑑𝑓(𝑡−1) 𝑊𝑛 (𝑡 − 1)
8. Memodifikasi peramalan dengan melakukan peramalan adaptif dengan rumus:
Peramalan adaptif (𝑡) = 𝑋𝑡−1 + ℎ(𝐹𝑡 − 𝑋𝑡−1 ) dengan 𝑋𝑡−1 adalah nilai data aktual
pada waktu 𝑡 − 1, 𝐹𝑡 adalah hasil peramalan, peramalan adaptif (𝑡) adalah hasil
modifikasi peramalan pada waktu (𝑡) dan ℎ adalah parameter pembobotan dengan
berkisar dari nilai 0.001 – 1.

2.1.3 Support Vector Regression


Support Vector Regression (SVR) merupakan versi regresi dari Support Vector
Machine (SVM) yang diperkenalkan oleh Vapnik, Steven Golowich dan Alex Smola
pada tahun 1997 (Vapnik, et al., 1997). Dasar pemikiran dari SVR adalah untuk
memetakan set data ke ruang fitur dimensi tinggi non-linear dan menyelesaikan
permasalahan regresi dalam ruang fitur dimensi ini (Lu & Geng, 2011).
SVR tidak hanya mampu mengatasi masalah dengan data linier namun mampu
mengatasi data nyata yang bersifat non linier. Pada data non linier, SVR mengubah
vektor input ke dimensi yang lebih tinggi dengan menggunakan fungsi kernel. SVR non
linear dapat diformulasikan pada Persamaan 1.
𝑓 (𝑥 ) = ∑𝑙𝑖=1(𝑎𝑖∗ − 𝑎𝑖 ) (K(𝑥𝑖 , x) + 𝜆2 )
NAMA : MUHAMMAD AL-HADDAD P. IKO
NIM : 413418048

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

‖𝑥𝑖 − 𝑥𝑗 ‖ merupakan jarak euclidean dan σ merupakan parameter bebas.


Sequential learning diajukan untuk menemukan nilai 𝑎𝑖∗ dan 𝑎𝑖 dengan lebih cepat.
Langkah-langkah sequential learning adalah sebagai berikut:
a. Inisialisasi variabel 𝑎𝑖∗ dan 𝑎𝑖 sebanyak data.
b. Hitung matriks Hessian (R) dengan Persamaan 3.
[𝑅]𝑖𝑗 = K(𝑥𝑖 , x) +𝐾(𝑥𝑖,x) + 𝜆2
Keterangan:
𝑅𝑖𝑗 = matriks Hessian
c. Untuk setiap data latih, 𝑖 = 1,2,...,n lakukan Persamaan 4 – 8
𝐸𝑖 = 𝑦𝑖 − ∑𝑛𝑖=1(𝑎𝑖∗ − 𝑎𝑖 ) ∗−𝛼𝑖) 𝑅𝑖𝑗 (4)
𝛿𝑎𝑖∗ = min {max[𝛾(𝐸𝑖 − 𝜀), −𝑎𝑖∗ ] , 𝐶 − 𝑎𝑖∗ } (5)
𝛿𝑎𝑖 = min {max[𝛾(𝐸𝑖 − 𝜀), −𝑎𝑖 ] , 𝐶 − 𝑎𝑖 } (6)
𝑎𝑖∗ = 𝑎𝑖∗ + 𝛿𝑎𝑖∗ (7)
𝑎𝑖 = 𝑎𝑖 + 𝛿𝑎𝑖 (8)
Keterangan:
𝐸𝑖 = nilai error ke-i
𝑦𝑖 = nilai aktualdata ke-i
𝛿𝑎𝑖∗ , 𝛿𝑎𝑖 = perubahan nilai 𝑎𝑖∗ dan 𝑎𝑖
ε = epsilon
𝐶 = kompleksitas
γ= laju pembelajaran
d. Proses dapat dihentikan apabila sudah mencapai iterasi maksimum atau
𝑚𝑎𝑥 |𝛿𝑎𝑖∗ | < 𝜀 dan 𝑚𝑎𝑥 |𝛿𝑎𝑖 | < 𝜀. Apabila salah satu syarat belum terpenuhi
maka ulangi langkah c.
NAMA : MUHAMMAD AL-HADDAD P. IKO
NIM : 413418048
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). MAPE dapat
dibangkitkan dengan Persamaan 9.
100 𝑆𝑖 −𝑅𝑖
𝑀𝐴𝑃𝐸 = ∑𝑛𝑖=1 | | (9)
𝑁 𝐴𝑖

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

Crossover merupakan operator genetika utama. Proses ini mengombinasikan


kedua gen induk untuk mengasilkan sebuah keturunan. Pada penelitian digunakan
metode extended intermediate crossover untuk menghasilkan keturunan. Metode
crossover tersebut dipilih karena mampu menghasilkan individu baru yang hampir
sama dengan individu induk atau sedikit berbeda dengan individu induk. Crossover ini
dapat dibangkitkan dengan Persamaan 10 dan 11.

𝐴1 = 𝐼1 + 𝛼(𝐼2 − 𝐼1) (10)

𝐴2 = 𝐼2 + 𝛼(𝐼1 − 𝐼2) (11)

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.

Tabel 2 Contoh Proses Crossover

Individu 𝜎 𝜀 𝐶 𝛾
A1 0,5741 41,277 4,87x10-05 0,0325

Proses menghasilkan keturunan juga mampu diperoleh dengan mutasi. Berbeda


dengan crossover, mutasi hanya memerlukan 1 buah induk untuk menghasilkan
keturunan. Mutasi bekerja dengan mengubah beberapa/semua gen dalam induk untuk
menghasilkan keturunan. Metode mutasi yang digunakan dalam penelitian adalah
random mutation. Kelebihan mutasi tersebut adalah mudah dalam implementasi namun
mampu menjaga keberagaman individu dalam satu generasi. Mutasi ini dapat
dibangkitkan dengan Persamaan 12.
𝐴𝑖 = 𝐼𝑖 + 𝑟 (𝑚𝑎𝑥𝑖 − 𝑚𝑖𝑛𝑖) (12)
A merupakan individu anak, I merupakan individu induk dan r adalah bilangan acak.
Contoh hasil mutasi dengan nilai r sebesar - 0,0248 dapat dilihat pada Tabel 3.

Tabel 3 Contoh Hasil Mutasi

Individu 𝜎 𝜀 𝐶 𝛾
A2 0,6714 65,537 8,41x10-05 0,001

Proses selanjutnya yaitu evaluasi. Evaluasi bertujuan untuk mengetahui


seberapa baik kualitas dari solusi yang ditemukan. Proses evaluasi menggunakan
fungsi fitness yang dapat dibangkitkan dengan Persamaan 13.
1
𝑓𝑖𝑡𝑛𝑒𝑠𝑠 = (13)
1+𝑀𝐴𝑃𝐸

Proses selanjutnya yaitu proses seleksi. Seleksi bertujuan untuk menyeleksi


individu- individu yang akan masuk ke generasi selanjutnya. Metode seleksi yang
digunakan dalam penelitian adalah elitsm. Metode ini bekerja dengan mengurutkan
semua individu berdasarkan fitness-nya dari yang terbesar hingga terkecil kemudian
meloloskan individu- individu dengan fitness tertinggi sejumlah populasi ke generasi
berikutnya. Kelebihan dari metode seleksi ini tetap menjaga agar individu terbaik akan
NAMA : MUHAMMAD AL-HADDAD P. IKO
NIM : 413418048
selalu lolos.
Proses algoritme genetika dapat dihentikan apabila mencapai generasi
maksimum, telah menghasilkan solusi yang bisa dihandalkan atau kondisi berhenti
yang lebih canggih yang mampu mengindikasikan adanya konvergensi secara
prematur (Affenzeler, Wagner, Winkler dan Beham, 2009).
2.1.5 Indeks Harga Saham Gabungan

Saham merupakan surat bukti kepemilikan bagian modal perseroan terbatas


yang memberi hak atas dividen dan lain-lain menurut besar kecilnya modal yang
disetor. Ada dua macam keuntungan yang dapat kita peroleh dari investasi saham yaitu
dividen dan capital gain. Dividen merupakan laba yang akan dibagikan kepada
pemegang saham sesuai porsi kepemilikannya (Zubir, 2013).
Saham adalah sebuah bukti bahwa seorang investor menginvestasikan dana
kepada suatu perusahaan. Dana yang berasal dari penerbitan saham akan digunakan
oleh perusahaan untuk kegiatan operasionalnya. Kinerja perusahaan dapat dinilai
dengan banyaknya saham yang dimiliki para investor. Kinerja perusahaan tinggi
apabila investor memiiki banyak saham, dan sebaliknya (Azis, Mintarti dan Nadir,
2015).
Indeks Harga Saham Gabungan atau Composite Stock Price Index (CPSI)
adalah indeks gabungan dari seluruh jenis-jenis saham yang ada atau tercatat di Bursa
Efek Indonesia (BEI). Indeks harga saham gabungan seluruh saham menggambarkan
suatu rangkaian informasi historis mengenai pergerakan harga saham gabungan seluruh
saham sampai pada tanggal tertentu.
Indeks Harga Saham Gabungan (IHSG) merupakan indikator pergerakan harga
saham di Bursa Efek Indonesia (BEI). Perhitungan IHSG dilakukan setiap hari yaitu
setelah penutupan perdagangan setiap harinya, sehingga data IHSG digolongkan data
time series. Indeks ini dipakai untuk mengukur apakah harga saham mengalami
kenaikan atau penurunan. Ketika kondisi ekonomi suatu negara menurun maka IHSG
juga akan mengalami penurunan yang berakibat investor akan keluar dari pasar. Hal ini
akan mempengaruhi keputusan investor untuk menjual, menahan atau membeli suatu
saham. Oleh karena itu, peramalan diperlukan oleh investor agar mempunyai
pertimbangan yang lebih kuat dengan adanya prediksi ini (Fahmi dkk, 2013).
NAMA : MUHAMMAD AL-HADDAD P. IKO
NIM : 413418048
2.2 Penelitian Relevan
Beberapa penelitian yang relevan dengan penelitian ini antara lain sebagai berikut :
Tabel 2.1: Penelitian yang Relevan
Judul
No. Tahun Masalah Tujuan Variabel Metode
Penelitian
Untuk menguji
Peramalan metode Fuzzy Time
Peramalan
IHSG Series Cheng
Menggunakan Metode Fuzzy
menggunakan sebagai metode
1 Metode Fuzzy 2017 IHSG Time Series
metode Fuzzy terbaik pada
Time Series Cheng
Time Series peramalan IHSG
Cheng
Cheng dengan melihat
nilai MAPE

Peramalan Peramalan Untuk melihat


Harga Saham IHSG peramalan IHSG
Menggunakan menggunakan menggunakan Metode
2 Support 2018 metode metode Support IHSG Support Vector
Vector Support Vector Regression Regression
Regression Vector dengan melihat
Dengan Regression nilai MAPE
Algoritme
Genetika
NAMA : MUHAMMAD AL-HADDAD P. IKO
NIM : 413418048
DAFTAR PUSTAKA

Affenzeler, M., Wagner, S., Winkler, S. dan Beham, A., 2009. Genetic Algorithm and Genetic

Programming: Modern Concepts and Practical Applications. United States of


America: CRC Press.

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

Algorithm and Support Vector Regression. Fourth International Conference on

Intelligent Computation Technology and Automation, pp. 72-74.

Supranto, J. 1993. Metode Ramalan Kuantitatif Untuk Perencanaan Ekonomi dan Bisnis.

Jakarta: PT Rineka Cipta

Spiegel, R. Murray & Stephens, Larry J STATISTIK Schaum's OuTlines, Edisi Ketiga (2007).

Jakarta, Erlangga. ISBN 978-979-015-189-5

Vapnik, V., Golowich, S. & Smola, A., 1997. Support Vector Method for Function

Approximation, Regression Estimation, and Signal Processing. Cambridge: MIT Press.

Zubir, Z., 2013. Manajemen Portofolio Penerapannya dalam Investasi Saham. Jakarta:
NAMA : MUHAMMAD AL-HADDAD P. IKO
NIM : 413418048
Salemba Empat.

Anda mungkin juga menyukai