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.
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 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
Penyusun
i
DAFTAR ISI
ii
DAFTAR GAMBAR
iii
DAFTAR TABEL
iv
BAB I
PENDAHULUAN
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
1.3 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
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.
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
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.
8
Pada Tabel 2 disajikan Data hasil normalisasi yang mana menggunakan rumus
persamaan normalisasi
Pada Tabel 3 disajikan Tampilan dari data latih dan target latih dengan data
sebagai berikut
9
Pada Tabel 4 disajikan Tampilan dari target latih dimana data latih ini hasil
perhitungan normalisasi dari yang terkecil sampai terbesar setelah disusun
10
Gambar 2 Pelatihan menggunakan algoritma jaringan syaraf tiruan
11
Gambar 5 grafik keluaran jst dan jst+pso terhadap target latih pada proses pelatihan
Gambar 6 disajikan proses pelatihan, nilai Mean Square Error (MSE) yang
dihasilkan oleh sistem, yang menggukanan pso dan non pso
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
14