PERAMALAN MENGGUNAKAN METODE FUZZY TIME SERIES

CHENG DAN ALGORITMA PARTICLE SWARM OPTIMIZATION PADA

DATA IHSG

Tugas Akhir 1

Oleh :

Aji Kurniawan

NIM: 672014060

Program Studi Teknik Informatika

Fakultas Teknologi Informasi

Universitas Kristen Satya Wacana

Salatiga

Agustus 2020
 PERAMALAN MENGGUNAKAN METODE FUZZY TIME SERIES

CHENG DAN ALGORITMA PARTICLE SWARM OPTIMIZATION PADA

DATA IHSG

Artikel Ilmiah

Diajukan kepada

Fakultas Teknologi Informasi

untuk memperoleh Gelar Sarjana Komputer

Oleh :

Aji Kurniawan

NIM: 672014060

Program Studi Teknik Informatika

Fakultas Teknologi Informasi

Universitas Kristen Satya Wacana

Salatiga

Agustus 2020

2
 PERAMALAN MENGGUNAKAN METODE FUZZY TIME SERIES
CHENG DAN ALGORITMA PARTICLE SWARM OPTIMIZATION PADA
DATA IHSG
Artikel Ilmiah

Oleh:
Aji Kurniawan
NIM : 672014060

Telah disetujui untuk diuji :

Tanggal

Pembimbing

Hindriyanto Dwi Purnomo

3
 Daftar Isi
BAB I................................................................................................................................1
PENDAHULUAN..................................................................................................................1
I.1 Latar Belakang....................................................................................................1
I.2 Perumusan Masalah...........................................................................................1
I.3 Tujutan Penelitian..............................................................................................2
I.4 Batasan Masalah................................................................................................2
I.5 Manfaat Penelitian.............................................................................................2
BAB II..................................................................................................................................3
TINJAUAN PUSTAKA...........................................................................................................3
II.2 Landasan Teori...................................................................................................4
II.2.1 Fuzzy Time Series........................................................................................4
II.2.2 Particle Swarm Optimization (PSO)............................................................5
Mean Absolute Percentage Error (MAPE)..................................................................7
BAB III.................................................................................................................................8
METODE PENELITIAN.........................................................................................................8
III.1 Studi Literatur....................................................................................................8
III.2 Pengumpulan Data.............................................................................................8
III.3 Analisa dan Perancangan...................................................................................9
III.3.1 Analisa........................................................................................................9
III.3.2 Perancangan.............................................................................................10
III.4 Implementasi dan Pengujian............................................................................10
III.4.1 Implementasi............................................................................................11
III.4.2 Pengujian..................................................................................................11
III.5 Kesimpulan dan Saran......................................................................................11
BAB IV..............................................................................................................................12
RENCANA PENELITIAN......................................................................................................12
DAFTAR PUSTAKA.............................................................................................................13

iii
 BAB I

PENDAHULUAN

I.1 Latar Belakang

Indeks harga saham merupakan sebuah indikasi dari naik atau turunnya
harga saham yang dapat berubah sewaktu-waktu secara tidak pasti. Indeks Harga
Saham Gabungan (disingkat IHSG) yang juga disebut Indonesia Composite Index
(ICI) merupakan salah satu indeks pasar saham yang digunakan oleh Bursa Efek
Indonesia. Terdapat pula indeks pasar saham yang lainnya seperti indeks sektoral,
indeks LQ45, indeks kompas100, dan lain-lain.
IHSG sendiri merupakan salah satu hal penting yang patut diperhatikan
untuk memantau perekonomian dalam negeri. Naik turunnya harga saham yang
ada merupakan indikator dari kegiatan ekonomi yang ada di Indonesia. Bila harga
saham naik maka perekonomian dalam negeri sedang menguat. Begitu pula
sebaliknya, bila turun maka perekonomian dalam negeri sedang melemah. Di saat
sedang melemah inilah pemerintah patut menerapkan kebijakan-kebijakan yang
dapat menanggulangi ataupun mencegah terjadinya penurunan perekonomian
yang terlalu fluktuatif. Sehingga sangat diperlukan untuk melakukan prediksi atau
peramalan atas pergerakan saham tersebut.
Artificial Intelligence (AI) atau kecerdasan buatan merupakan algoritma
komputer yang dapat meniru kecerdasan dan perilaku manusia. Salah satu nya
yaitu melakukan prediksi atau peramalan. Fuzzy Time Series (FTS) dan Particle
Swarm Optimization (PSO) merupakan kecerdasan buatan yang dapat digunakan
untuk melakukan peramalan terhadap pergerakan harga saham pada IHSG.
Dari pemaparan di atas penulis akan melakukan penelitian untuk
memprediksi indeks harga saham pada IHSG menggunakan kombinasi metode
Fuzzy Time Series dan algoritma Particle Swarm Optimization. Dalam tugas akhir
ini penulis akan mengevaluasi hasil prediksi menggunakan metode Mean
Absolute Percentage Error (MAPE) untuk mengetahui tingkat akurasi peramalan
yang dilakukan.

I.2 Perumusan Masalah

Bagaimana cara menerapkan metode Fuzzy Time Series dan Algoritma

Particle Swarm Optimization untuk melakukan prediksi terhadap pergerakan
harga saham pada IHSG.

1
I.3 Tujutan Penelitian

Tujutan yang ingin dicapai dalam dari penelitian ini yaitu :

1. Menerapkan teknik peramalan Fuzzy Time Series dan algoritma
Particle Swarm Optimization pada harga saham IHSG 2019
2. Mengevaluasi tingkat akurasi peramalan yang dilakukan dengan
melakukan evaluasi terhadap hasil peramalan

I.4 Batasan Masalah

Batasan yang digunakan pada penelitian ini yaitu sebagai berikut :

1. Data latih yang digunakan yaitu data IHSG dari tahun 2017 hingga
Juni 2019 sebagai data latih
2. Data pada bulan Juli 2019 hingga Desember 2019 akan digunakan
sebagai evaluasi hasil peramalan atau data uji

I.5 Manfaat Penelitian

Berikut manfaat yang diperoleh dari dilakukannya penelitian ini :

1. Bagi Pemerintah
Dapat memudahkan pemerintah dalam memprediksi perubahan
harga saham yang pada IHSG. Hasil peramalan dapat digunakan oleh
pemerintah sebagai acuan dalam menentukan kebijakan-kebijakan
terkait kegiatan perekonomian di dalam negeri.
2. Bagi Masyarakat
Diharapkan hasil peramalan yang optimal dapat membantu
terciptanya kebijakan-kebijakan yang menguntungkan perekonomian
Indonesia. Sehingga terjalin keharmonisan di antara lapisan
masyarakat dan pemerintah dengan adanya perekonomian dalam negri
yang stabil.
3. Bagi Mahasiswa
Penelitian ini sangat bermanfaat dalam penerapan teori yang
selama ini di dapat dalam perkuliahan untuk dapat diaplikasikan ke
dalam lingkungan sekitar secara nyata untuk menyelesaikan suatu
permasalahan yang ada

2
 BAB II

TINJAUAN PUSTAKA
II.1 Tinjauan Pustaka

Beberapa penelitian terkait indeks harga saham telah dilakukan dengan

berbagai macam metode seperti Fuzzy Time Series, exponential smoothing,
jaringan saraf tiruan, weighten exponentian moving average, dan masih banyak
lagi.
Penggunaan Fuzzy Time Series pernah dilakukan oleh beberapa peneliti
sebelumnya. Seperti Seng Hensun yang melakukan analisa peramalan
menggunakan metode Fuzzy Time Series pada data mingguan IHSG dari 22
Agustus 2011 hingga 19 Maret 2012, menghasilkan peramalan dengan akurasi
yang cukup tinggi dengan nilai MAPE sebesar 0,04777038. Namun sayangnya
data latih dan data uji yang digunakan sama, sehingga tidak terjadi peramalan
yasng aktual dan menyebabkan nilai akurasi yang dihasilkan sangatlah tinggi. Ada
juga penelitian dari Sumartini, Memi Nur Hayati, dan Sri Wahyuningsih pada
tahun 2017 dengan menggunakan metode Fuzzy Time Series Cheng. Sama halnya
seperti yang dilakukan Seng Hensun, penelitian ini menggunakan data latih dan
data uji yang sama sehingga menghasilkan nilai akurasi yang cukup tinggi yaitu
nilai MAPE sebesar 0,0256.
Metode lainnya seperti Weighted Exponential Moving Average juga
pernah digunakan dalam peramalan data IHSG. Seng Hansun pada tahun 2013
melakukan penelitian menggunakan metode ini untuk meramalkan data IHSG dan
menghasilkan tingkat akurasi dengan nilai MAPE sebesar 0,7465. Selain itu
metode vector auto regressive exogenous (VARX) juga digunakan dalam
penelitian oleh Nunung Hanurowatii, Moch. Abdul Mukid, dan Alan Prahutama
pada tahun 2016. Penelitian ini menggunakan data pada Maret 2006 hingga
Agustus 2015 sebagai data latih dan data pada September 2015 hingga Februari
2016 sebagai data uji. Penelitian ini menghasilkan hasil peramalan dengan akurasi
yang cukup tinggi dan memiliki nilai MAPE sebesar 0,0271.
Dengan penelitian-penelitian terdahulu yang telah dilakukan dalam
meramalkan data IHSG, penulis memutuskan untuk ikut serta melakukan hal
serupa dengan melakukan penelitian menggunakan algoritma particle swarm
melakukan optimasi pada pembangkitan interval pada metode Fuzzy Time Series
dalam melakukan peramalan data IHSG bulanan pada Juli 2019 hingga Desember
2019. Sedangkan data in sample atau data latih yang akan penulis gunakan adalah
data IHSG bulanan pada Januari 2017 hingga Juni 2019.

3
II.2 Landasan Teori
II.2.1 Fuzzy Time Series

Fuzzy Time Series pertama kali dikembangkan oleh Song dan

Chisson pada tahun 1993. Fuzzy Time Series pada dasarnya merupakan
metode peramalan runtut waktu yang menggunakan prinsip-prinsip fuzzy
sebagai dasarnya. Parameter yang digunakan dalam melakukan peramalan
ini memiliki nilai keanggotaan atau derajat keanggotaan berdasarkan data
yang ada sehingga parameter tersebut memiliki bobot-bobotnya tersendiri
yang mempengaruhi hasil peramalan berdasarkan data tersebut.
Metode Cheng berbeda dari metode Fuzzy Time Series lainnya
karena metode ini memperhitungkan perulangan yang ada pada Fuzzy
Logical Relationship (FLR) yang akan digunakan sebagai parameter
peramalan serta menggunakan Persamaan Sturges untuk menentukan
banyaknya kelas sekaligus intervalnya. Tahapan-tahapan yang dilakukan
dalam menggunakan Metode Fuzzy Time Series Cheng adalah sebagai
berikut :
1) Menentukan Himpunan Semesta {U} data aktual
U = [Dmin - d1 , Dmax+ d2]
Dmin = data terkecil
Dmax = data terbesar
d1 dan d2 merupakan bilangan positif sembarang yang
digunakan untuk menentukan himpunan semesta
2) Menentukan range dari data aktual
R = Dmax + d2 – Dmin – d1
R = Range atau rentang dari data
3) Menentukan banyaknya kelas
K = 1 + 3,3222 x log n
K = Kelas interval
n = banyaknya data
4) Menentukan lebar interval
R
I=
K
I = interval
5) Mencari nilai tengah dari kelas yang terbentuk
m batas atas+batas bawah
i=
2
6) Menciptakan himpunan fuzzy berdasarkan kelas interval yang
terbentuk
Misal A1,A2,…,Ap adalah himpunan fuzzy yang
mempunyai nilai linguistic dari suatu variable linguistic,
pendefinisian A1,A2,…,Ap adalah sebagai berikut:
A 1=1 μ 1+ 0.5 μ 2+0 μ 3+…+ 0 μp
A 2=0.5 μ 1+1 μ 2+0.5 μ 3+…+ 0 μp
Ap=0 μ 1+0 μ 2+ 0 μ 3+ …+0.5 μp−1 +1 μp

4
 7) Melakukan fuzzyfikasi terhadap data aktual
Setelah fuzzy set atau himpunan fuzzy terbentuk kita
melakukan fuzzyfikasi terhadap data aktual yang ada. Jika F(t-
1) berada pada himpunan Ai, maka F(t-1) akan difuzzyfikasi
sebagai Ai.
8) Menentukan Fuzzy Logic Relationship FLR
FLR dibentuk berdasarkan data historis yang ada. Apabila
F(t-1) berada pada himpunan fuzzy Ai dan F9t) berada pada
himpunan fuzzy Aj, maka FLR yang terbentuk dapat
dinotasikan sebagai berikut:
Ai → Aj
9) Menentukan fuzzy logical relationship group FLRG
Membuat pengelompokan FLR untuk setiap current state.
Misalkan A1→A3, A1→A4 dikelompokkan menjadi FLRG
pada A1 dengan bobot masing-masing. Bobot diperhitungkan
berdasarkan pengulangan FLR yang ada untuk setiap current
state. Misalkan pada current state A1, menghasilkan A1→A3
sebanyak dua kali dan A1→A4 sebanyak sekali maka bobot
dari A1→A3 adalah dua dan A1→A4 adalah satu.
10) Melakukan peramalan dan defuzzyfikasi
Berdasarkan FLRG yang terbentuk kita dapat melakukan
peramalan terhadap data aktual sekaligus melakukan
fuzzyfikasinya
F t=wi 1∗m 1 +w i2∗m 2+ …+w ip∗m p
F t = hasil peramalan untuk dengan current state At
mi = nilai tengah dari himpunan fuzzy i
w i = bobot state i yang dihasilkan himpunan fuzzy At pada
FLRG
II.2.2 Particle Swarm Optimization (PSO)

Algoritma Particle Swarm Optimization dikembangkan oleh

Eberhart dan Kennedy pada tahun 1995. Teknik optimasi ini terinspirasi
dari perilaku sosial sekawanan burung dan ikan dalam mencari makanan.
Perilaku sosial dimana satu individu bisa mempengaruhi perilaku
kawanannya apabila individu tersebut menemukan jalan atau makanan
yang lebih dekat menuju sumber makanan. Dalam algoritma PSO individu
ini didefinisikan sebagai partikel.
Dalam PSO, partikel-partikel yang ada membentuk kawanan atau
kerumunan (swarm) yang bergerak untuk mencari sumber makanan yang
paling optimal. Dalam pergerakannya tersebut partikel memiliki dua
karateristik yaitu posisi dan kecepatan. Setiap partikel bergerak dalam
ruang tertentu dengan karakteristiknya masing-masing dang mengingat
posisi terbaik yang pernah dilalui terhadap sumber makanan atau nilai
fungsi objektif. Setiap partikel menyampaikan informasi pergerakannya

5
kepada partikel-partikel lain dan menyesuaikan posisi dan kecepatan
masing-masing berdasarkan informasi yang diterima dari posisi tersebut.
Berikut adalah tahapan dari algoritma PSO (Hsu, et al, 2010):
1.) Inisialisasi posisi (Pi) dan kecepatan (Vi) untuk 1 ≤ i ≤ N,
dimana N adalah jumlah partikel
2.) Menghitung nilai fitness atau cost dari partikel i.
3.) Memperbarui posisi terbaik (Pbest) dari pertikel i berdasarkan
nilai fitness partikel tersebut pada iterasi saat ini dibandingkan
iterasi sebelumnya.
4.) Memperbarui posisi terbaik dari keseluruhan partikel (Gbest)
berdasarkan nilai fitness atau cost dari seluruh partikel
5.) Menghitung kecepatan partikel menggunakan rumus
Vi (t+1) =ω ×Vi(t) + c1 × rand 1 ( ) × ( Pbest (t) - Pi (t) ) + c2 × rand 2 ( ) x ( Gbest (t) - P
Dimana c1dan c2 merupakan konstanta percepatan positif
(biasanya c1 = c2 = 2) di mana masing-masing merupakan
koefisien kognitif dan koefisien sosial, lalu rand1 dan rand2
merupakan bilangan random dalam range [0,1] dan ω
merupakan bobot inersia
6.) Memperbarui posisi partikel menggunakan rumus:
Pi (t+ 1)=P i( t)+V i (t+1)
7.) Ulangi langkah 1-6 untuk seiap partikel
8.) Selama solusi optimal belum ditemukan atau belum mencapai
iterasi maksimum ulangi langkah 2-7

6
 Gambar II.2.1. a Diagram Alir Particle Swarm Optimization

II.2.3 Mean Absolute Percentage Error (MAPE)

Perhitungan error dilakukan untuk membandingkan hasil prediksi

dengan data aktual. Mean Absolute Percentage Error (MAPE) merupakan
salah satu metode perhitungan yang digunakan untuk mengukur atau
membandingkan hasil prediksi yang dilakukan terhadap data aktual. Untuk
menghitung tingkat keakuratan peramalan menggunakan metode MAPE
dengan rumus berikut :
| Ai−Fi|
∑ Ai
MAPE= ×100 %
n
Ai = data aktual ke-i
Fi = data hasil prediksi untuk data ke-i
n= jumlah data
Untuk kriteria kualitas sebuah prediksi berdasarkan perhitungan MAPE
ditentukan seperti table berikut:
Tabel II.2.3. a Tabel Kriteria Akurasi Peramalan

MAPE Pengertian
<10% Akurasi peramalan sangat baik
10%-20% Akurasi peramalan baik
20%-50% Akurasi peramalan cukup
>50% Akurasi peramalan buruk

7
 BAB III

METODE PENELITIAN

Metode penelitian yang dilakukan dalam penyusunan Tugas Akhir ini

dilakukan sebagai berikut:
Gambar III. a Diagram Alir Metode Penelitian

III.1 Studi Literatur

Tahap awal yang penulis lakukan pada penelitian ini adalah mencari
permasalahan yang akan diangkat dan digunakan pada penelitian ini kemudian
mencari solusi untuk masalah yang ada. Studi literature dilakukan dengan

8
mengumpulkan dan mempelajari berbagai artikel dan penelitian seperti jurnal,
buku, berita, dan situs website yang berkaitan dengan penelitian yang dilakukan.

III.2 Pengumpulan Data

Penelitian dilakukan menggunakan data sekunder yaitu Indek Harga

Saham Gabungan (IHSG) peneliti peroleh dari www.idx.co.id. Data yang akan
digunakan yaitu data pada tahun 2017 hingga Juni 2019 sebagai data sampel. Dan
data Juli 2019 hingga Desember 2019 akan digunakan sebagai evaluasi hasil
peramalan atau data uji.

Tabel III.2. a Data Indeks Harga Saham Gabungan

Indeks Harga Pada Tahun

Bulan
2017 2018 2019
Januari 5,294.103 6,605.631 6,532.969
Februai 5,386.,692 6,597.218 6,443.348
Maret 5,568.106 6,188.987 6,468.755
April 5,685.298 5,994.595 6,455.352
Mei 5,738.155 5,983.587 6,209.117
Juni 5,829.708 5,799.237 6,358.629
Juli 5,840.939 5,936.443 6,390.505
Agustus 5,864.059 6,018.460 6,328.470
September 5,900.854 5,976.553 6,169.102
Oktober 6,005.784 5,831.650 6,228.317
November 5,952.138 6,056.124 6,011.830
Desember 6,355.654 6,194.498 6,299.539

III.3 Analisa dan Perancangan

Setelah pengumpulan data selesai akan dilakukan analisa dan perancangan

untuk mengolah data yang sudah ada. Tahap analisa dan perancangan dilakukan
sebagai berikut:
III.3.1 Analisa

Pada proses analisa, dilakukan analisa terhadap data dengan

metode-metode yang digunakan. Proses analisa tersebut dilakukan
dengan cara seperti berikut:
1. Analisa Data
Data yang dibutuhkan pada penelitian ini berupa data
indeks harga bulanan pada IHSG pada tahun 2017 hingga tahun
2019. Data latih menggunakan data pada Januari 2017 hingga
Juni 2019, sedangkan data uji menggunakan data pada Juli
2019 hingga Desember 2019.

9
2. Analisa Metode Fuzzy Time Series dan Algoritma Particle
Swarm Optimization
Untuk melakukan peramalan terhadap indeks harga pada
IHSG menggunakan metode Fuzzy Time Series dan PSO
diperlukan langkah-langkah sebagai berikut:
1) Data IHSG
Melakukan read data terhadap data Indeks Harga Saham
Gabungan.
2) Penentuan Semesta Pembicara
3) Menghitung Banyak Kelas Interval
Menggunakan rumus Sturges untuk menentukan banyaknya
kelas yang digunakan.
4) Input Parameter
Masukkan parameter PSO yang terdiri dari jumlah partikel,
jumlah iterasi, bobot inersia, c1 dan c2 dimana c1 + c2 ≤4.
5) Inisialisasi Posisi Awal Partikel dan Kecepatan Partikel
Pembangkitan posisi awal partikel dibangkitkan secara acak
dan akan digunakan sebagai batas bawah dan batas atas
untuk membagi semesta pembicara ke dalam beberapa
interval. Untuk kecepatan partikel pada iterasi pertama
diasumsikan sama dengan nol.
6) Fuzzy Time Series
Pada tahap Fuzzy Time Series dilakukan hal sebagai berikut
:
6.1) Fuzzyfikasi Data Historis
6.2) Membuat Fuzzy Logic Relationship
6.3) Menyusun Fuzzy Logic Relationship Group
6.4) Melakukan Defuzzyfikasi dan Hasil Peramalan
6.5) Menghitung Akurasi Peramalan Menggunakan
MAPE
7) Penghitungan Nilai Fitness
Menghitung nilai cost dari partikel i menggunakan nilai
akurasi yang didapatkan pada Fuzzy Time Series
8) Pemilihan Pbest
Berdasarkan nilai cost dari partikel i, bandingkan nilai cost
saat ini dengan nilai cost pada iterasi sebelumnya. Pilih
nilai cost yang terbaik atau terkecil dan simpan posisi
partikel dengan nilai cost yang lebih kecil.
9) Pemilihan Gbest
Memilih partikel dengan nilai cost terkecil di antara semua
partikel pada satu kali proses perulangan. Partikel dengan
nilai cost terkecil akan dipilih sebagai Gbest.
10) Pembaruan Kecepatan Partikel
Melakukan pembaruan terhadap kecepatan partikel
menggunakan persamaan
Vi=ω ×Vi+ c1 × rand 1 ( ) × ( Pbest- P i ) + c 2 × rand 2 ( ) x ( Gbest- P i )

10
 11) Pembaruan Posisi Partikel
Setelah mendapatkan kecepatan partikel, perbarui posisi
partikel dengan persamaan
P1=P1 +V 1
12) Iterasi
Langkah 5 hingga 10 dilakukan hingga mencapai iterasi
yang diinginkan

3. Analisa Sistem
Setelah metode sudah didapatkan, maka dilakukan analisa
terhadap sistem yang akan dirancang dengan memperhatikan
setiap proses serta alur yang akan diterapkan pada sistem.
Setiap langkah dan proses yang ada akan diterjemahkan ke
dalam sistem menggunakan bahasa pemrograman Java.
III.3.2 Perancangan

Perancangan dilakukan dengan menentukan bagaimana data akan

disimpan dan bagaimana data akan diolah oleh sistem. Perancangan sistem
melibatkan sistem antarmuka user atau front end dan fungsional sistem
atau back end.

III.4 Implementasi dan Pengujian

Implementasi dan pengujian dilakukan setelah sistem telah selesai

dibangun. Tahap implementasi dan pengujian dilakukan sebagai berikut.
III.4.1 Implementasi

Pada proses implementasi sistem, berikut perangkat keras

(hardware) dan perangkat lunak (software) yang digunakan dalam
penelitian ini:
1. Processor : Inter® Core™ i5-460M CPU
@2.53GHz
2. RAM : 4 GB
3. Harddisk : 500GB
4. Sistem Operasi : Windows 7 Ultimate 64-bit
5. Bahasa Pemrograman : JAVA
6. Penyimpanan Data : Microsoft Excel
7. Tools : NetBean IDE 8.2

11
 III.4.2 Pengujian

Pada proses pengujian dialkukan pengujian terhadap parameter

PSO yang ada dan juga terhadap pengujian error atau tingkat kesalahan
pada hasil peramalan
1. Pengujian Parameter PSO
Pada pengujian parameter PSO dilakukan uji coba terhadap
parameter yang dimasukkan sehingga menghasilkan interval
yang optimal pada penerapan Fuzzy Time Series. Parameter
yang akan diuji coba terdiri dari jumlah partikel, jumlah iterasi,
banyaknya iterasi yang dilakukan, bobot inersia (ω), nilai c1
dan c2
2. Pengujian Error
Mengukur tingkat akurasi dari peramalan yang dilakukan
menggunakan metode Fuzzy Time Series dan Particle Swarm
Optimization, tingkat kesalahan atau error dikalkulasi
berdasarakan pada perbedaan hasil peramalan dengan data
aktual dari indeks harga pada IHSG. Metode pengujian tingkat
akurasi yang digunakan adalah Mean Absolute Percentage
Error (MAPE)

III.5 Kesimpulan dan Saran

Tahap akhir dalam penelitian yaitu kesimpulan dan saran yang penulis
peroleh setelah melakukan penelitian. Kesimpulan merupakan hasil inti dari
penelitian dan pengujian yang dilakukan, sedangkan saran berupa masukan atau
rekomendasi penulis untuk peneltian yang selanjutnya.

12
 BAB IV

JADWAL PENELITIAN

IV.1 Jadwal Penelitian

Dalam melakukan penelitian ini, terdapat rencana penelitian yang berisi
kegiatan atau tindakan apa saja yang dilakukan dalam penelitian dan kapan
tindakan itu dilakukan dalam penelitian. Maka disusunlah rencana penelitian
dalam bentuk table seperti di bawah ini.

Tabel IV.1. a Jadwal dan Rencana Penelitian

Bulan Ke-
Rencana Penelitian
1 2 3 4 5 6 7 8 9 10 11 12
Mengidentifikasi dan
merumuskan masalah                        
Mengumpulkan
Literatur                        
Mengumpulkan Data
Penelitian                        
Perancangan Sistem
Menganalisis Data                        
Penyusunan Laporan &
Artikel Ilmiah                        

Dari table di atas dapat, diketahui bahwa berikut merupakan tindakan yang
dilakukan selama penelitian :
IV.1.1 Trimester Pertama
Pada trimester pertama yang berlangsung selama bulan
April hingga Agustus, yang pertama peneliti lakukan adalah
mencoba untuk mengidentifikasi dan merumuskan masalah.
Setelah sekiranya identifikasi masalah sudah jelas, peneliti juga
mengumpulkan literature yang kiranya dapat mendukung masalah
yang telah didapatkkan. Setelah identifikasi masalah sudah tepat,
barulah pengumpulan data dilakukan sesuai permasalahan yang
ada. Dan pada penelitian ini peneliti menggunakan data dari situs
daring http://idx.co.id yaitu data Indeks Harga Saham Gabungan
bulanan. Kemudian penulis menentukan metode penelitian yang
akan digunakan dalam penelitian.

13
IV.1.2 Trimester Kedua
Setelah data diperoleh dan metode yang digunakan sudah
tepat, langkah berikutnya yang dilakukan adalah merancang sistem
yang akan digunakan untuk melakukan pengolahan dan analisa
terhadap data yang ada.

IV.1.3 Trimester Ketiga

Pada trimester terakhir penulis akan melakukan penyusunan
hasil penelitian dalam bentuk laporan dan melakukan publikasi
artikel ilmiah.

14
 DAFTAR PUSTAKA

[1] Fauziah, Normalita and Wahyuningsih, Sri “Peramalan Menggunakan

Fuzzy Time Series Chen (Studi Kasus: Curah Hujan Kota
Samarinda)”, Statistics vol. 4, No. 2, November 2016
[2] R.W.Ningrum “Forecasting Jakarta composite Index (IHSG) based on
Chen Fuzzy Time Series and firefly clustering alghoritm”, Physic, Ser.983
012055, 2018
[3] Hsu, L. –Y.et al.,”Temperature Prediction and TAIFEX Forecasting Based
on Fuzzy Relationship and MTPSO Techniques. Expert Systems with
Applications”, pp. 8014-2023, 2010
[4] Fahmi, T., Sudarno, and Wilandari, Y., “Perbandingan Metode
Eksponensial Tunggal dan Fuzzy Time Series untuk Memprediksi Indeks
Harga Saham Gabungan”, Jurnal Gaussian, Vol. 2, 137-146, 2013

15