Prediksi Harga Saham Menggunakan Generalize Fuzzy Inference System (GENFIS3)
Prediksi Harga Saham Menggunakan Generalize Fuzzy Inference System (GENFIS3)
*ssunarsan@gmail.com
Abstract
The stock market has been very hard hit during the Covid 19 pandemic, many stock prices have
plummeted which is influenced by negative sentiment in the form of uncertainty about when this
Covid will end. On the other hand, this situation is a very big opportunity to invest because it buys
cheap stock prices. Prediction is an instrument that can assist in making decisions about buying and
selling shares. We can process daily time series data of stock prices as a reference in estimating the
ups and downs of stock prices. In this study, the data used are daily data on the highest stock prices
during the Covid-19 period. This data pattern formation is assumed with six days as input and the
seventh day as the expected target. The data pattern that is formed is divided into two parts, namely
the training data pattern and the test data pattern. The prediction method used is the Generalize
Fuzzy Inference System (Genfis3). Genfis3 is a combination of Fuzzy C-Means and Adaptive Neural
Fuzzy Inference (ANFIS). The training data will be clustered into 3 (low, medium and high) using
FCM then the membership function of each cluster will be entered into ANFIS to form an inference
engine. Based on the results of the research, Genfis 3 could recognize the pattern of training data
well with a MAPE of 3.7%. Based on the test with the test data pattern, GENFIS 3 is able to predict
the test data pattern very well with a MAPE of 2.24%.
Keywords: Stock Price; Time Series Data; Genfis3.
Abstrak
Pasar saham sangat terpukul dimasa pandemi covid 19 ini, banyak harga saham yang anjlok yang
dipengaruhi sentimen negatif berupa ketidak-pastian kapan berakhirnya covid ini. Disisi lain situasi
ini sangat besar peluang untuk berinvestasi karena membeli harga saham murah. Prediksi
merupakan salah satu instrument yang dapat membantu dalam pengambilan keputusan membeli
dan menjual saham. Data runtun waktu harian harga saham dimasa lalu dapat kita olah untuk
sebagai acuan dalam memperkirakan naik turunnya harga saham. Pada penelitian ini data yang
digunakan adalah data harian harga tertinggi saham selama periode Covid-19. Pembetukan pola
data ini diasumsikan dengan enam hari sebagai inputan dan hari ketujuh sebagai target yang
diharapkan. Pola data yang terbentuk dibagi menjadi dua bagian yaitu pola data latih dan pola data
uji. Metode prediksi yang digunakan adalah Generalize Fuzzy Inference System (GENFIS 3). Genfis
3 merupakan perpaduan antara Fuzzy C-Means dan Adaptif Neural Fuzzy Inference (ANFIS). Data
training akan dikluster menjadi 3 (rendah, sedang dan tinggi) menggunakan FCM selanjutnya fungsi
keanggotaan dari masing2 kluster akan dimasukkan ke ANFIS untuk membentuk mesin inferensi.
Berdasarkan hasil penelitian genfis 3 dapat mengenali pola data latih dengan baik dengan MAPE
3,7%. Berdasarkan pengujian dengan pola data uji, GENFIS 3 mampu memprediksi Pola data uji
dengan sangat baik dengan besar MAPE 2,24%.
Kata Kunci: Prediksi; Harga Saham; Data Runtun Waktu; Genfis 3.
132
SNISTEK 3 25 September 2020 ISBN 978-602-52829-2-8
140
SNISTEK 3 25 September 2020 ISBN 978-602-52829-2-8
pengelompokan: pengelompokan hierarki dan 2.4.2 Adaptif Neural Fuzzy Inference System
non-hierarkis kekelompokan. FCM adalah (ANFIS)
metode hierarki untuk membuat file komposisi ANFIS merupakan implementasi jaringan
hierarki dari data objek yang menghasilkan adaptif dalam fuzy inference system. Sistem
kelompok bersarang. Non-hierarki clustering logika fuzzy bersifat adaptif, berarti bahwa
menyediakan n jumlah objek dan k yang mana sistem fuzzy dapat disesuaikan dengan kondisi
jumlah cluster terbentuk dan pemrosesan objek sesuai keinginan (Ayu et al., 2019). Adaptive
kedalam kelompok berdasarkan pengoptimalan Neuro Fuzzy Inference System (ANFIS)
kriteria tertentu, setiap kelompok merupakan merupakan penggabungan dari logika fuzzy
representasi dari suatu cluster. dan jaringan syaraf tiruan (JST). Logika fuzzy
Algoritma FCM memiliki beberapa langkah memiliki kelebihan dalam memodelkan aspek
sebagai berikut (Sitohang et al., 2017): kualitatif dari pengetahuan manusia dan proses
a. Input data yang akan dicluster X, berupa pengambilan keputusan dengan menerapkan
matriks n x m (n = jumlah sampel data, m basis aturan (rules) (Azizah, 2016).
= atribut setiap data), Xij = data sampel ke Berikut dibawah ini adalah tahapan-tahapan
dari algoritma ANFIS (Sitohang et al., 2017):
– i (i = 1,2,3...,m).
a. Setiap neuron di lapisan kedua neuron
b. Tentukan: tetap ada, sehingga keluarannya
Jumlah cluster = c; merupakan hasil masukan. Biasanya
Pangkat = w; digunakan operator DAN. Setiap node
Maksimum iterasi = maxIter; merepresentasikan sebuah predikat dari
Error terkecil yang diharapkan = ξ ; aturan ke α - i.
Fungsi obyektif awal = P0 = 0; b. Setiap neuron di lapisan ketiga
Iterasi awal = t =1; berbentuk tetap simpul yang merupakan
c. Bangkitkan bilangan random μik, i – 1, 2, hasil perhitungan rasio α predikat (w),
..., n; k = 1, 2, ..., c; sebagai elemen- dari aturan ke - i untuk bilangan total dari
elemen matriks partisi U. α predikat.
𝜇11 (𝑥1 ) 𝜇12 (𝑥2 ) … 𝜇1𝑐 (𝑥𝑐 ) 𝑤𝑖
𝑤̅𝑖 = , i = 1,2.
𝜇21 (𝑥1 ) 𝜇22 (𝑥2 ) … 𝜇2𝑛 (𝑥𝑛 ) 𝑤1 + 𝑤2
𝑈0 = [ ] c. Setiap neuron di lapisan keempat
⋮ ⋮ ⋮
𝜇𝑐1 (𝑥1 ) 𝜇𝑐2 (𝑥2 ) 𝜇𝑐𝑛 (𝑥𝑛 ) beradaptasi dengan simpul keluaran:
Matriks partisi dari fuzzy clustering harus 𝑤̅𝑖 𝑦𝑖 = 𝑤̅𝑖 (𝑐𝑖1 𝑥1 + 𝑐𝑖2 𝑥2 + 𝑐𝑖0 ); i = 1, 2
memenuhi kondisi sebagai berikut: d. Setiap neuron di lapisan kelima adalah
𝜇𝑖𝑗 = [0,1], 1 ≤ 𝑖 ≤ 𝑛; 1 ≤ 𝑘 ≤ 𝑐 simpul tetap jumlah semua input.
𝑛
2.5 Penelitian Terdahulu
∑ 𝜇𝑖𝑘 = 1; 1 ≤ 𝑘 ≤ 𝑐
Proses pengerjaan penelian ini tentunya
𝑖=1
𝑐 merujuk kepada penelitian-penelitian
0 < ∑ 𝜇𝑖𝑘 < 𝑐, 1 ≤ 𝑖 ≤ 𝑛 sebelumnya, berikut uraiannya;
𝑘=1
a. (Sitohang et al., 2017), memprediksi
d. Hitung pusat cluster ke- k ; vkj, dengan jumlah penumpang dengan
k=1, 2, ...., c; dan j=1, 2, ..., m. menggunakan data runtun waktu dan
FCM serta ANFIS.
∑𝑛𝑘=1(𝜇𝑖𝑘 ). 𝑥𝑘𝑗 2
𝑣𝑖𝑗 = 𝜋𝑟 b. (Purnama, 2017) merancang sebuah
∑𝑛𝑘=1(𝜇𝑖𝑘 )𝑤 prediksi indeks harga saham dengan
e. Perbaiki derajat keanggotaan tiap data jaringan saraf tiruan
pada setiap cluster (perbaiki matriks c. (Rochman & Djunaidy, 2014)
partisi) mempertimbangkan factor eksternal
𝑐
1/2 dalam memprediksi harga saham
𝑣𝑖𝑗 = 𝑑(𝑥𝑘 − 𝑣𝑖 ) [∑(𝑥𝑘𝑗 − 𝑣𝑖𝑗 )] 3. Metode Penelitian
𝑗=1 Metode penelian merupakan suatu
f. Hitung fungsi obyektif pada iterasi ke –t, kerangka proses-proses yang dilakukan
Pt: peneliti untuk menjawab persolan yang akan
𝑛 𝑐 diselesaikan dan tntunya untuk mencapai
𝐽(𝑈, 𝑉; 𝑋) = ∑ ∑(𝜇𝑖𝑘 )𝑤 (𝑑𝑖𝑘 )2 tujuan penelitian yang telah dirumuskan.
𝑘=1 𝑗=1 Adapun gambaran tahapan-tahapan yang
g. Cek kondisi berhenti dilakukan dalam penelitian ini seperti gambar
Jika: ( | Pt-Pt-1 | < ξ ) atau ( t > maxIter) dibawah ini.
maka berhenti;
Jika tidak: t=t+1, ulangi langkah ke-4
141
SNISTEK 3 25 September 2020 ISBN 978-602-52829-2-8
142
SNISTEK 3 25 September 2020 ISBN 978-602-52829-2-8
4.1.2 Genfis3
Pola data latih sebanyak 80 pola akan
dipisahkan antara input h1-h6 dan target.
Selanjtnya masuk tahapan FCM dan hasilnya
seperti gambar 3,4,5 dibawah ini: Gambar 7. Persentasi Error
Gambar 5. Output Data Latih Gambar 8. Hasil Prediksi dan Target Latih
4.2 Pembahasan
Genfis 3 akan menghasilkan sistem
inferensi yang telah mempelajari struktur pola
data latih yang telah dikluster.
143
SNISTEK 3 25 September 2020 ISBN 978-602-52829-2-8
2(2), 125.
https://doi.org/10.22219/kinetik.v2i2.190
Rochman, E. M. S., & Djunaidy, A. (2014). Prediksi
Harga Saham Yang Mempertimbangkan Faktor
Eksternal Menggunakan Jaringan Saraf Tiruan.
Jurnal Ilmiah NERO, 1(2), 5–11.
Setiawan, W. (2008). PREDIKSI HARGA SAHAM
MENGGUNAKAN JARINGAN SYARAF
TIRUAN MULTILAYER FEEDFORWARD
NETWORK DENGAN ALGORITMA
BACKPROPAGATION. Konferensi Nasional
Gambar 9. Persentasi Error Prediksi Sistem Dan Informatika 2008, November, 108–
113. https://doi.org/10.13140/2.1.3467.5525
5. Kesimpulan dan Saran Sitohang, S., Girsang, A. S., & Suharjito. (2017).
Dari hasil penelitian dan pembahasan dapat Prediction of the number of airport passengers
disimpulkan yaitu: (1). Harga saham sangat using fuzzy C-means and adaptive neuro fuzzy
fluktuatif sehingga jika ingin terjun berinvestasi inference system. International Review of
perlu mempelajari pola turun naiknya harga Automatic Control, 10(3), 280–287.
saham dengan tujuan meminimalisir resiko. (2). https://doi.org/10.15866/ireaco.v10i3.12003
Genfis 3 mampu mengenali pola data latih Sitohang, S., & Siringo, A. M. (2018). Analisis
Peramalan Harga Emas Dengan Metode
dengan baik dengan besar MAPE nya 3,7%.
Automatic Clustering And Fuzzy Logic
(3). Genfis 3 juga mampu mengenali pola data Relationship. Jurnal ISD, 3(2).
uji dengan sangat baik dengan besar MAPE Sungkawa, I., & Megasari, R. T. (2011). Penerapan
nya 2,24%. Ukuran Ketepatan Nilai Ramalan Data Deret
Saran untuk penelitian berikutnya yaitu Waktu dalam Seleksi Model Peramalan Volume
menambahkan data olahan, jumlah cluster Penjualan PT Satriamandiri Citramulia.
dibedakan serta di implementasikan kedalam ComTech: Computer, Mathematics and
sebuah aplikasi sehingga dapat dimanfaatkan Engineering Applications, 2(2), 636.
bagi pemula yang ingin berinvestasi pada https://doi.org/10.21512/comtech.v2i2.2813
saham.
Daftar Pustaka
Ayu, R., Gernowo, R., Fisika, D., Sains, F.,
Diponegoro, U., & E-, S. (2019). Metode
Autoregressive Integrated Movingaverage
(Arima) Dan Metode Adaptive Neuro Fuzzy
Inference System (Anfis) Dalam Analisis Curah
Hujan. Berkala Fisika, 22(1), 41–48.
Azizah, N. (2016). Metode Adaptive Neuro Fuzzy
Inference System (ANFIS) untuk Prediksi
Tingkat Layanan Jalan. Jurnal Sistem Informasi
Bisnis, 3(3), 98–103.
https://doi.org/10.21456/vol3iss3pp
Finance, Y. (2020). PT Bank Tabungan Negara
(Persero) Tbk (BBTN.JK). Historical Data.
https://finance.yahoo.com/quote/BBTN.JK/hist
ory?p=BBTN.JK
Novita, A. (2016). Prediksi Pergerakan Harga Saham
Pada Bank Terbesar Di Indonesia Dengan
Metode Backpropagation Neural Network.
Jutisi, 05(01), 965–972.
Purnama, R. B. (2017). Perancangan Prediksi Untuk
Menentukan Indeks Harga Saham
Menggunakan Jaringan Syaraf Tiruan. Kinetik,
144