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

Secara umum, statistika dapat diartikan sebagai ilmu yang khusus

mengembangkan teknik pengolahan angka, mempelajari tentang data-data serta cara
untuk menganalisanya (Inayah, 2017). Menurut Supardi (2013) memaknai statistik
merupakan seperangkat metode yang membahas tentang: (1) bagaimana cara
mengumpulkan data yang dapat memberikan informasi yang optimal, (2) bagaimana cara
meringkas, mengolah dan menyajikan data, (3) bagaimana cara melakukan analisis
terhadap sekumpulan data sehingga dari analisis itu timbul strategi-strategi tertentu, (4)
bagaimana cara mengambil kesimpulan dan menyarankan keputusan yang sebaiknya
diambil atas dasar strategi yang ada, dan (5) bagaimana menentukan besarnya resiko
kekeliruan yang mungkin terjadi jika mengambil keputusan atas dasar strategi tersebut.
Dalam ilmu statistika terdapat banyak kegunaan, salah satunya dalam bidang ekonomi
dan keuangan. Bagaimana mengelolah dan mengatur keuangan serta membuat suatu
perencanaan kondisi keuangan dimasa yang akan datang. Dalam merencanakan kondisi
keuangan pada masa yang akan datang bisa menggunakan metode peramalam
(forecasting). Salah satu kasus dalam bidang keuangan yang dapat menggunakan metode
peramalan ialah meramalkan saham.

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
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
NAMA : MUHAMMAD AL-HADDAD P. IKO
NIM : 413418048
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. 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.
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). 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 dengan memasukan semua hubungan (all relationship) dan
memberikan bobot berdasarkan pada urutan dan perulangan FLR yang sama.
NAMA : MUHAMMAD AL-HADDAD P. IKO
NIM : 413418048
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).
Pada kedua metode tersebut, akan dibandingkan metode mana yang dapat
memprediksi atau meramalkan saham secara akurat 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 :
NAMA : MUHAMMAD AL-HADDAD P. IKO
NIM : 413418048
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).
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.

BAB II
NAMA : MUHAMMAD AL-HADDAD P. IKO
NIM : 413418048
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
variasi-variasi yang hanya berlangsung untuk jangka pendek, namun dapat saja
NAMA : MUHAMMAD AL-HADDAD P. IKO
NIM : 413418048
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 a
A1 ¿ + +…+ 1 m
u1 u2 um
a21 a22 a
A2 = + + …+ 2 m
u1 u 2 um
a31 a32 a
Ak = + + …+ km
u1 u 2 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,
NAMA : MUHAMMAD AL-HADDAD P. IKO
NIM : 413418048
Ai→Am dapat dikelompokkan menjadi Ai→Aj, Ak, Am. Semua group FLR dengan
LHS 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 (W n ( t )) yang persamaannya ditulis berikut.
Wn’(t) ¿ [ W ' 1, W ' , … ,W ' k ]
W1 W2 Wk
[ i
, i
,…, i
]
=
∑Wh ∑Wh ∑Wh
h=1 h=1 h=1

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

pembobotan (W(t)) yang telah dinormalisasi menjadi W n ( t ) tersebut kemudian
dikalikan dengan matriks defuzifikasi yaitu Ldf .
Ldf = m1 ,m 2 , … ,mk ¿ dimana m k adalah nilai tengah dari tiap-tiap interval. Cara untuk
menghitung peramalannya adalah
F t=Ldf ( t−1) W n ( t −1 )
8. Memodifikasi peramalan dengan melakukan peramalan adaptif dengan rumus:
Peramalan adaptif ( t )=X t −1+ h( F t− X t−1 ) dengan X t −1 adalah nilai data aktual pada
waktu t−1, F t 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
NAMA : MUHAMMAD AL-HADDAD P. IKO
NIM : 413418048
non linear dapat diformulasikan pada Persamaan 1.
l
f ( x )= ∑ (a¿i −a i)( K ( x i , x)+ λ2 )
i=1

a ¿i dan a i merupakan variabel Lagrange, K ( x i , 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
−‖x i−x j‖
= exp ⁡
( 2σ
2 )
‖x i−x j‖ merupakan jarak euclidean dan σ merupakan parameter bebas.
Sequential learning diajukan untuk menemukan nilai a i dan a i dengan lebih cepat.
¿

Langkah-langkah sequential learning adalah sebagai berikut:

a. Inisialisasi variabel a i dan a i sebanyak data.
¿

b. Hitung matriks Hessian (R) dengan Persamaan 3.

[ R ] ij = K ( x i , x ) +¿𝐾(𝑥𝑖,x) + λ 2
Keterangan:
Rij = matriks Hessian
c. Untuk setiap data latih, i= 1,2,...,n lakukan Persamaan 4 – 8
n
Ei = y i−∑ (a¿i −ai) ∗−𝛼𝑖) Rij (4)
i =1

¿ ¿
δ a¿i = min ⁡{max [ γ ( E i−ε ) ,−a i ] ,C−ai } (5)

δ ai = min ⁡{max [ γ ( E i−ε ) ,−a i ] , C−ai } (6)

a ¿i = a ¿i + δ a¿i (7)
a i= a i + δ ai (8)
Keterangan:
Ei = nilai error ke-i
y i = nilai aktualdata ke-i
δ a¿i , δ ai = perubahan nilai a ¿i dan a i
NAMA : MUHAMMAD AL-HADDAD P. IKO
NIM : 413418048
ε = epsilon
C = kompleksitas
γ= laju pembelajaran
d. Proses dapat dihentikan apabila sudah mencapai iterasi maksimum atau
max|δ a¿i|<ε dan max|δ ai|< ε . Apabila salah satu syarat belum terpenuhi maka
ulangi langkah c.
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.
n
100 Si −Ri
MAPE= ∑
N i =1 A i | |
(9)

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
NAMA : MUHAMMAD AL-HADDAD P. IKO
NIM : 413418048
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
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

NAMA : MUHAMMAD AL-HADDAD P. IKO
NIM : 413418048
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 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
NAMA : MUHAMMAD AL-HADDAD P. IKO
NIM : 413418048
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).

2.2 Penelitian Relevan

Beberapa penelitian yang relevan dengan penelitian ini antara lain sebagai berikut :
Tabel 2.1: Penelitian yang Relevan
No Judul
Tahun Masalah Tujuan Variabel Metode
. Penelitian
Untuk menguji
Peramalan metode Fuzzy
Peramalan
IHSG Time Series Cheng
Menggunakan Metode Fuzzy
menggunaka sebagai metode
1 Metode 2017 IHSG Time Series
n metode terbaik pada
Fuzzy Time Cheng
Fuzzy Time peramalan IHSG
Series Cheng
Series Cheng dengan melihat
nilai MAPE

Peramalan Peramalan Untuk melihat

Harga Saham IHSG peramalan IHSG
Menggunakan menggunaka menggunakan Metode
2 Support 2018 n 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

BAB III
METODOLOGI PENELITIAN
3.1 Waktu dan Tempat Penelitian
3.1.1 Waktu Penelitian
Penelitian ini akan dilaksanakan pada semester 7 dan 8 tahun ajaran 2021/2022
terhitung sejak bulan September 2021.
Tabel 3.1 : Waktu Penelitian
Waktu
Septembe Oktober Novembe Desembe Januari Februari
No. Kegiatan
r r r
2021 2021 2021 2021 2022 2022
1 Pengambilan Data            
2 Pengolahan Data            
3 Analisis Data            
4 Interpretasi Hasil            
5 Penyusunan            
Laporan
6 Bimbingan Hasil            
7 Seminar Hasil            
8 Revisi Seminar            
Hasil
9 Bimbingan Skripsi            
10 Seminar Skripsi            

3.1.2 Tempat Penelitian

Penelitian ini dilakukan di Laboratorium Komputasi Statistika Universitas
Negeri Gorontalo.
3.2 Metode Penelitian
3.2.1 Variabel Penelitian
Variabel dalam penelitian ini adalah Indeks Harga Saham Gabungan dari
bulan Januari 2018 sampai dengan bulan Januari 2020
3.2.2 Sumber Data
NAMA : MUHAMMAD AL-HADDAD P. IKO
NIM : 413418048
Data yang digunakan pada penelitian ini merupakan data sekunder. Data ini
diperoleh dari Publikasi yahoo finance.

3.2.3 Populasi dan Sampel

Populasi dan sampel pada penelitian ini adalah
3.2.4 Teknik Penarikan Sampel
Teknik pengambilan sampel mengunakan sampling jenuh. Sampel jenuh
merupakan pengambilan sampel dimana seluruh populasi dijadikan sebagai sampel dalam
penelitian
3.2.5 Software Aplikasi
Alat bantu yang digunakan sebagai perhitungan dan analisis runtun waktu adalah
program Zaitun Time Series.
3.3 Tahapan Penelitian
1. Mengambil data sekunder
2. Membuat peramalan menggunakan metode Fuzzy Time Series Cheng
3. Membuat peramalan menggunakan metode Support Vector Regression
4. Menganalisis perbandingan kedua metode dengan melihat MAPE terkecil
5. Memilih metode terbaik diantara kedua metode tersebut
NAMA : MUHAMMAD AL-HADDAD P. IKO
NIM : 413418048

3.4 Diagram Alir

Mulai

Input Data

Plot Data

Peramalan Fuzzy Time Peramalan Support

Series Cheng Vector Regression

Peramalan Indeks Peramalan Indeks

Harga Saham Harga Saham
Gabungan Gabungan

Analisis Perbandingan
Menggunakan MAPE

Pemilihan Metode
Terbaik

Selesai
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

Inayah, Nurul. (2017). “Pengaruh Kemampuan Penalaran Matematis (Mathematical

Reasoning) dan Gaya Kognitif Terhadap Kemampuan Komunikasi pada Materi

statistikaa Siswa Kelas XI IPA SMA Negeri di Kota Palu”. Aksioma: Jurnal Pendidikan
Matematika. 6(1), 37-45.

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

NAMA : MUHAMMAD AL-HADDAD P. IKO
NIM : 413418048
Intelligent Computation Technology and Automation, pp. 72-74.

Supardi U.S. (2013). Aplikasi Statistika Dalam Penelitian Konsep Statistika Yang Lebih

Komprehensif. Jakarta: Change Publication.

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:

Salemba Empat.