MAKALAH PROYEK AKHIR

OPTIMASI
“ Penerapan Algoritma Particle Swarm Optimization (PSO) Pada
Kasus Prediksi Indeks Harga Saham Gabungan (IHSG) ”

Disusun Oleh :
Nama : Dzikri Faizziyan (065118123)
M Fajar Ikhsan J (065118137)
Ananda Reynata S (065118180)
Kelas : E/F
Dosen : Siska Andriani., M.Kom.

PROGRAM STUDI ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS PAKUAN
BOGOR
2021
 KATA PENGANTAR

Segala puji bagi Allah SWT yang telah memberikan kami kemudahan
sehingga kami dapat menyelesaikan makalah ini dengan tepat waktu. Tanpa
pertolongan-Nya tentunya kami tidak akan sanggup untuk menyelesaikan makalah
ini dengan baik. Shalawat serta salam semoga terlimpah curahkan kepada baginda
tercinta kita yaitu Nabi Muhammad SAW yang kita nanti-natikan syafa’atnya di
akhirat nanti.

Penyusun mengucapkan syukur kepada Allah SWT atas limpahan nikmat

sehat-Nya, baik itu berupa sehat fisik maupun akal pikiran, sehingga penyusun
mampu untuk menyelesaikan pembuatan makalah sebagai tugas akhir mata kuliah
Optimasi.

Penyusun tentu menyadari bahwa makalah ini masih jauh dari kata
sempurna dan masih banyak terdapat kesalahan serta kekurangan di dalamnya.
Untuk itu, penulis mengharapkan kritik serta saran dari pembaca untuk makalah ini,
agar makalah ini lebih baik lagi.

Akhir kata Penyusun juga mengucapkan terima kasih kepada semua pihak
yang telah berperan serta dalam penyusunan makalah ini. Semoga Allah SWT
senantiasa meridhai segala usaha kita. Amin

Bogor, 31 Mei 2021

Penyusun

i
 DAFTAR ISI

KATA PENGANTAR ............................................................................................ i

DAFTAR ISI .......................................................................................................... ii
DAFTAR GAMBAR ............................................................................................ iii
DAFTAR TABEL ................................................................................................ iv
BAB I PENDAHULUAN ...................................................................................... 1
1.1 Latar Belakang ......................................................................................... 1
1.2 Rumusan Masalah .................................................................................... 2
1.3 Tujuan ....................................................................................................... 2
BAB II TINJAUAN PUSTAKA........................................................................... 3
2.1 Particle Swarm Optimization (PSO) ........................................................ 3
2.2 Prediksi ..................................................................................................... 3
BAB III METODOLOGI PENELITIAN ........................................................... 6
3.1 Metode ...................................................................................................... 6
BAB IV PERANCANGAN DAN ANALISIS ..................................................... 7
BAB V HASIL DAN PEMBAHASAN ................................................................ 8
BAB VI KESIMPULAN DAN SARAN............................................................. 13
6.1 Kesimpulan ............................................................................................. 13
6.2 Saran ....................................................................................................... 13
DAFTAR PUSTAKA .......................................................................................... 14

ii
 DAFTAR GAMBAR

Gambar 2 Data Pelatihan ...................................................................................... 10

Gambar 3 Pelatihan menggunakan algoritma jaringan syaraf tiruan .................... 11
Gambar 4 Tampilan iterasi yang dihasilkan oleh PSO ......................................... 11
Gambar 5 Grafik JST, dan JST & PSO ................................................................. 12
Gambar 6 Proses Pelatihan.................................................................................... 12

iii
 DAFTAR TABEL

Tabel 1 Data IHSG Januari 2015 – Desember 2019 ............................................... 8

Tabel 2 Data hasil normalisasi ................................................................................ 9
Tabel 3 Data latih dan target latih ........................................................................... 9
Tabel 4 Target Latih .............................................................................................. 10

iv
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Pasar saham merupakan salah satu pilihan investasi yang selalu memiliki
daya tarik dari waktu ke waktu (Khirbat dkk., 2013). Selain sebagai sarana
pendanaan perusahaan, investasi di pasar saham mampu memberikan keuntungan
yang menarik bagi para investor. Pada pasar saham, faktor penting yang akan
mempengaruhi keputusan investasi adalah harga saham dan pergerakannya. Untuk
mengetahui pergerakan harga saham apakah turun, stabil, atau naik maka
dibutuhkan indeks harga saham sebagai indikator yang dapat merepresentasikan hal
tersebut. Indeks harga saham utama di BEI adalah Indeks Harga Saham Gabungan
(IHSG) karena indeks ini merupakan indeks yang mencerminkan kinerja semua
saham yang terdaftar. Indeks harga saham termasuk IHSG sering mengalami
fluktuasi yang cepat dalam waktu singkat, sehingga perlu dilakukan analisis untuk
membantu investor dalam per timbangan pengambilan keputusan yang tepat. Salah
satu pendekatan yang dapat digunakan adalah analisis teknikal, yaitu suatu pen
dekatan yang didasarkan pada prinsip Teori Dow yang meramalkan pergerakan
indeks harga saham berdasarkan data historis (Kurniawati et al., 2013). Analisis
teknikal dapat dilakukan dengan quantitative forecasting models berbasis data time
series karena indeks harga saham erat kaitannya dengan data historis, yaitu
berkaitan dengan pengaruh nilai masa lalu terhadap nilai masa kini. Time series
akan menganalisis pola hubungan antara variabel yang akan diramalkan dengan
variabel waktu. Metode time series yang umum digunakan.

Indeks harga saham berfungsi sebagai indikator kecenderungan naik atau

turunnya saham bergantung dari jangka waktunya. Banyak hal yang mempengaruhi
fluktuatifnya indeks harga saham seperti politik, kondisi ekonomi dan sosial.
Karakteristik umum indeks harga saham adalah memiliki tingkat ketidakpastian.
Ketidakpastian ini dalam hal pergerakan harga saham dalam jangka pendek,
ataupun jangka panjang . Prediksi merupakan salah satu cara untuk memperkirakan

1
 fluktuatif indeks harga saham. Artificial Intelligence (AI) atau kecerdasan buatan
merupakan sebuah metode yang digunakan dalam komputer yang meniru perilaku
mahluk hidup. AI memiliki beberapa algoritma seperti dan Particle Swarm
Optimization (PSO).

Indeks harga saham termasuk IHSG sering mengalami fluktuasi yang cepat
dalam waktu singkat, sehingga perlu dilakukan analisis untuk membantu investor
dalam per timbangan pengambilan keputusan yang tepat. Salah satu pendekatan
yang dapat di gunakan adalah analisis teknikal, yaitu suatu pen dekatan yang
didasarkan pada prinsip Teori Dow yang meramalkan pergerakan indeks harga
saham berdasarkan data historis (Kurniawati et al., 2013). Analisis teknikal dapat
dilakukan dengan quantitative forecasting models berbasis data time series karena
indeks harga saham erat kaitannya dengan data historis, yaitu berkaitan dengan
pengaruh nilai masa lalu terhadap nilai masa kini. Time series akan menganalisis
pola hubungan antara variabel yang akan diramalkan dengan variabel waktu

1.2 Rumusan Masalah

• Apa itu algoritma PSO ( Particle Swarm Optimization )
• Manfaat algoritma PSO
• Implementasi

1.3 Tujuan
• Memenuhi tugas akhir Mata Kuliah Optimasi.
• Mengetahui cara memprediksi sebuah kasus berdasarkan algoritma Particle
Swarm Optimization.
• Menambah pengetahuan dan pengalaman .
• Untuk mengimplementasikan ilmu yang didapat saat perkuliahan.

2
 BAB II
TINJAUAN PUSTAKA

Dalam suatu penetian diperlukan dukungan hasil-hasil penetian yang telah

ada sebelumnya yang berkaitan dengan penetian tersebut.

2.1 Particle Swarm Optimization (PSO)

Algoritma Particle Swarm Opmization (PSO). PSO diperkenalkan oleh
Kennedy dan Ebenhart pada tahun 1995. PSO mengadaptasi dari perilaku
sekumpulan serangga dan burung yang mencapai suatu tujuan dengan bergerak
bersamaan dan berkelompok. Kelompok yang bergerak bersamaan akan mengubah
arah gerak secara tiba – tiba, menyebar dan berkumpul, hingga akhirnya mencapai
tujuan. PSO merupakan teknik komputasi evolusioner dengan metode optimasi
yang didasarkan pada Swarm intelligence, yang mana populasi PSO didasarkan
pada penelusuran algoritma dan diawali dengan populasi bersifat random atau acak
yang disebut particle. Setiap particle diasumsikan mempunyai dua karakteristik
yaitu posisi dan kecepatan. Suatu particle terus menerus menyimpan posisi terbaik
yang pernah dicapai atau biasa disebut sebagai personal best position. Setiap
particle juga dapat menyimpan posisi terbaik dari keseluruhan particle dalam satuan
waktu tertentu yang disebut global best position. Seluruh particle menyesuaikan
kecepatan yang ada dan terus bergerak mendekati global best position serta
meningkatkan nilai fitness dengan cara meningkatkan personal best position.Sistem
Informasi

2.2 Prediksi
Pengertian prediksi adalah suatu proses memperkirakan secara sistematis
tentang sesuatu yang paling mungkin terjadi di masa depan berdasarkan informasi
masa lalu dan sekarang yang dimiliki dengan tujuan agar kesalahan, selisih antara
sesuatu yang terjadi dengan hasil perkiraan, dapat diperkecil. Istilah prediksi sama
dengan ramalan atau perkiraan (forecast).

3
Dalam kamus besar bahasa Indonesia disebutkan bahwa prediksi adalah hasil dari
kegiatan memprediksi atau meramal atau memperkirakan nilai pada masa yang
akan datang dengan menggunakan data masa lalu.

Prediksi tidak harus memberikan jawaban secara pasti kejadian yang akan
terjadi, melainkan berusaha untuk mencari jawaban sedekat mungkin yang akan
terjadi. Prediksi menunjukkan apa yang akan terjadi pada suatu keadaan tertentu
dan merupakan input bagi proses perencanaan dan pengambilan keputusan.
Prediksi bisa berdasarkan metode ilmiah maupun subjektif belaka. Misalkan,
prediksi cuaca, gempa, gunung meletus ataupun bencana secara umum, selalu
berdasarkan data dan informasi terbaru yang didasarkan pengamatan termasuk oleh
satelit. Namun, prediksi seperti pertandingan sepakbola, olahraga, dan lain-lainnya,
umumnya berdasarkan pandangan subjektif dengan sudut pandang sendiri dari yang
memprediksinya.

Peramalan (forecasting) adalah suatu prosedur untuk membuat informasi

aktual tentang situasi sosial masa depan atas dasar informasi yang telah ada tentang
masalah kebijakan. Ramalan mempunyai tiga bentuk utama: proyeksi, prediksi, dan
perkiraan.
1. Suatu proyeksi adalah ramalan yang didasarkan pada ekstrapolasi atas
kecenderungan masa lalu maupun masa kini ke masa depan. Proyeksi
membuat pertanyaan yang tegas berdasarkan argumen yang diperoleh
dari metode tertentu dan kasus yang paralel.
2. Sebuah prediksi adalah ramalan yang didasarkan pada asumsi teoritik
yang tegas. Asumsi ini dapat berbentuk hukum teoretis (misalnya hukum
berkurangnya nilai uang), proposisi teoritis (misalnya proposisi bahwa
pecahnya masyarakat sipil diakibatkan oleh kesenjangan antara harapan
dan kemampuan), atau analogi (misalnya analogi antara pertumbuhan
organisasi pemerintah dengan pertumbuhan organisme biologis).

4
3. Suatu perkiraan (conjecture) adalah ramalan yang didasarkan pada
penilaian yang informatif atau penilaian pakar tentang situasi masyarakat
masa depan.

5
 BAB III
METODOLOGI PENELITIAN

3.1 Metode
Objek penelitian yang digunakan adalah data Indeks Harga Saham Gabungan
pada data bulanan dari bulan Januari 2015 sampai dengan Desember 2019. Untuk
pengolahan data, kami menggunakan aplikasi Matlab untuk melakukan prediksi
dengan algoritma Particle Swarm Optimization (PSO) Dari empat jenis harga pasar
pada indeks harga saham, data yang digunakan untuk melakukan peramalan adalah
harga penutupan karena harga ini merupakan harga yang dapat dijadikan acuan
untuk memprediksi harga pembuka di hari berikutnya sehingga membantu dalam
mempertimbangkan keputusan investasi.. Tahapan pertama dalam pembangunan
model adalah menentukan arsitektur dan parameter model. Adapun parameter pada
Particle Swarm Optimization (PSO) yaitu jumlah partikel dan konstanta learning
factor 1 dan learning factor 2. Masing-masing parameter JST dan PSO dicari
menggunakan Design of Experiment dan analisis regresi sehingga diperoleh
kombinasi parameter yang optimal.. Setelah arsitektur dan parameter model
ditentukan, tahapan selanjutnya adalah membangun model. dan model algortima
yang digunakan yaitu algoritma PSO. Model yang dibangun selanjutnya dilakukan
validasi untuk membandingkan hasil yang diperoleh dari model dengan kondisi
nyata sehingga dapat diketahui apakah model yang dibuat memberikan error yang
kecil atau tidak. Validasi dilakukan pada tahap proses pengujian, kemudian data
hasil peng ujian dibuat tracking signal untuk melihat persebaran error masih dalam
batas kendali atau tidak. Setelah model dinyatakan valid, selanjutnya dijalankan
untuk mendapatkan hasil peramalan indeks harga saham. Hasil run dari dua model
dibandingkan berdasarkan waktu dan nilai error untuk mengetahui model yang
memberikan hasil peramalan yang lebih akurat.

6
 BAB IV
PERANCANGAN DAN ANALISIS

Untuk Perancangan sendiri pertama menentukan tema kasus yang akan

diteliti dan tentukan metode yang akan digunakan, untuk kasus sendiri tema yang
dibahas ialah kasus prediksi Indeks Harga Saham Gabungan (IHSG), lalu
melakukan normalisasi data, Mempersiapkan data latih dan target latih dan
melakukan pelatihan data
.

7
 BAB V
HASIL DAN PEMBAHASAN

Untuk pembahasan, Pada Tabel 1 data IHSG yang digunakan untuk dilakukan
pengujian ialah data IHSG dari bulan Januari 2015 dan Desember 2019.

Tabel 1 Data IHSG Januari 2015 – Desember 2019

Pada gambar 1 persamaan yang digunakan ialah menggunakan normalisasi

data, dimana data ditransformasi ke dalam range 0.1-0.9

Gambar 1 Rumus Persamaan yang diguanakakn untuk mendapatkan target latih

8
 Pada Tabel 2 disajikan Data hasil normalisasi yang mana menggunakan rumus
persamaan normalisasi

Tabel 2 Data hasil normalisasi

Pada Tabel 3 disajikan Tampilan dari data latih dan target latih dengan data
sebagai berikut

Tabel 3 Data latih dan target latih

9
 Pada Tabel 4 disajikan Tampilan dari target latih dimana data latih ini hasil
perhitungan normalisasi dari yang terkecil sampai terbesar setelah disusun

Tabel 4 Target Latih

Pada Gambar 2 disajikan Tampilan dari data pelatihan

Gambar 1 Data Pelatihan

Pada gambar 3 disajikan data pelatihan yang dilakukan menggunakan

algoritma jaringan syaraf tiruan backpropagation dan jaringan syaraf tiruan
backpropagation yang dioptimasi dengan algortima pso. Tampilan proses pelatihan
jaringan syaraf tiruan ditunjukkan pada gambar berikut :

10
Gambar 2 Pelatihan menggunakan algoritma jaringan syaraf tiruan

Gambar 3 Tampilan iterasi yang dihasilkan oleh PSO

11
Gambar 5 grafik keluaran jst dan jst+pso terhadap target latih pada proses pelatihan

Gambar 4 Grafik JST, dan JST & PSO

Gambar 6 disajikan proses pelatihan, nilai Mean Square Error (MSE) yang
dihasilkan oleh sistem, yang menggukanan pso dan non pso

Gambar 5 Proses Pelatihan

12
 BAB VI
KESIMPULAN DAN SARAN

6.1 Kesimpulan
Peramalan indeks harga saham Bursa Efek Indonesia, telah berhasil dibuat
model peramalan IHSG menggunakan metode Jaringan Saraf Tiruan (JST) dengan
algoritma Backpropagation (BP) dan algoritma Backpropagation yang
dikombinasikan dengan algoritma Particle Swarm Optimization (PSO). Pembuatan
model dilakukan dengan mengatur parameter yang telah disesuaikan untuk
mendapatkan hasil waktu komputasi, error model dan error peramalan yang
minimal

Pada percobaan diatas nilai MSE yang dihasilkan oleh jst backpropagation yang
teroptimasi oleh PSO lebih kecil dibandingkan dengan jst tanpa optimasi. Hal ini
menunjukkan bahwa dengan adanya optimasi oleh PSO, akurasi yang dihasilkan menjadi
lebih baik. dan juga Berdasarkan pada nilai MSE pada proses pelatihan maupun pengujian,
jst backpropagation yang teroptimasi oleh PSO menghasilkan akurasi yang lebih baik
dibandingkan dengan jst tanpa optimasi.

6.2 Saran
Artificial Neural Network merupakan algoritma untuk menyelesaikan
masalah-masalah non linear. Oleh karena itu, untuk menangani masalah-masalah
non linear tersebut gunakanlah algoritma arthificial neural network ini. Atau dapat
juga menggunakan kombinasi antara Artificial Neural network dengan algoritma
lain, misalnya fuzzy logic sehingga kekurangan-kekurangan yang terdapat pada
ANN dapat diselesaikan oleh Fuzzy Logic, begitu juga sebaliknya. Sehingga
software yang dibangun akan semakin sempurna dan dapat berfungsi sebagaimana
yang diharapkan.

13
 DAFTAR PUSTAKA

❖ Jabin, S., 2014, Stock Market Prediction Using Feed-forward Artificial

Neural Net work, International Journal of Com puter Applications,
99(9), pp. 4-8.
❖ Sadono, Y.A., 2016, BEI: Jumlah Investor Pasar Modal Domestik
Mencapai 500.037, http:// www.antaranews.com/berita/584991/ bei-
jumlah-investor-pasar-modaldomestik-mencap
❖ Bisnis Investasi Saham [online], [Di akses 23 11 2014], Available :
http://www.bisnisinvestasisaham.com/investasi saham/pengertian-
saham/). [2]. Bursa Efek Indonesia, “IDX,” [Online], [Di akses 23 11
2014], Available:
http://www.idx.co.id/id id/beranda/informasi/bagiinvestor/saham.aspx.
❖ Liu, H.T., Wei, N.C., Yang, C.G.,(2009) "Improved Time-Variant Fuzzy
Time Series Forecast," Fuzzy Optimization Decision Making, Vol. 8, pp.
45–65.
❖ Mahnam. M., Fatemi Ghomi. S.M.T., (2012) “ A Particle Swarm
Optimization Algorithm for Forecasting Based on Time Variant Fuzzy
Time ISSN : 2355-9365 e-Proceeding of Engineering : Vol.2, No.2
Agustus 2015 | Page 6822Series “ Department of Industrial Engineering,
Vol 23, No. 4.
❖ Rahmawati, Nurfika Esti., (2012). Prediksi Data Time Series
Menggunakan Fuzzy Inference System dan Particle Swarm Optimization
(Studi Kasus: Prediksi Harga Emas). Institut Teknologi Telkom, Bandung.
❖ Song, Q., Chissom, B.S., (1993) “Fuzzy Time Series and its Models,”
Fuzzy sets and System, Vol. 54, pp. 269-277.

14