Scanned by CamScanner
DAFTAR GAMBAR
Gambar 2. 1. Pola Data Horisontal ... 13 Gambar 2. 2. Pola Data Seasonal ... 14 Gambar 2. 3. Pola Data Siklis ... 15 Gambar 2. 4. Pola Data Trend ... 15 Gambar 2. 5. Plot autokorelasi data time series ... 19 Gambar 2. 6. Jaringan Lapisan Tunggal ... 21 Gambar 2. 7. Jaringan Lapisan Jamak ... 22 Gambar 2. 8. Jaringan Reccurent ... 23 Gambar 2. 9. Arsitektur jaringan backpropagation ... 25 Gambar 2. 10. Fungsi Aktivasi Undak Biner ... 26 Gambar 2. 11. Fungsi Aktivasi Bipolar ... 26 Gambar 2. 12. Fungsi Linear... 27 Gambar 2. 13. FungsiSaturating Linear ... 28 Gambar 2. 14. FungsiSymetric Saturating Linear ... 29 Gambar 2. 15. Diagram Alir Proses Crossover... 49 Gambar 2. 16. Ilustrasi crossover satu titik ... 50 Gambar 2. 17. Ilustrasi crossover dua titik ... 50 Gambar 2. 18. Diagram Alir Proses Mutasi ... 52 Gambar 2. 19.Representasi Linear Naik ... 59 Gambar 2. 20. Grafik fungsi keanggotaan himpunan fuzzy IHSG TINGGI ... 60 Gambar 2. 21.Representasi Linear Turun ... 60 Gambar 2. 22. Grafik fungsi keanggotaan himpunan fuzzy IHSG RENDAH ... 61 Gambar 2. 23. Representasi Kurva Segitiga ... 62 Gambar 2. 24. Grafik fungsi keanggotaan himpunan fuzzy IHSG SEDANG ... 63 Gambar 2. 25. Representasi Kurva Trapesium ... 63 Gambar 2. 26. Grafik fungsi keanggotaan himpunan fuzzy IHSG SEDANG ... 64 Gambar 2. 27. Representasi Kurva-S Pertumbuhan... 65 Gambar 2. 28. Grafik fungsi keanggotaan himpunan fuzzy IHSG TINGGI ... 66
xiv
Gambar 2. 29. Representasi Kurva-S Penyusutan ... 67 Gambar 2. 30. Grafik fungsi keanggotaan himpunan fuzzy IHSG RENDAH ... 68 Gambar 2. 31. Susunan Sistem Fuzzy ... 68
Gambar 3. 1. Diagram Alir Fuzzy Feed forward Neural Netwok dengan Algoritma
Genetika……….. 70
Gambar 3. 2. Arsitektur Jaringan Feed forward Neural Network dengan Algoritma
Backpropagation……… 72
Gambar 3. 3. Plot ACF untuk Data Indeks Harga Saham Gabungan dari bulan
Januari 2007 s.d. Juli 2016……….. 75 Gambar 3. 4. Plot PACF untuk Data Indeks Harga Saham Gabungan bulan Januari
2007 s.d. Juli 2016……….. 76
Gambar 3. 5. Plot ACF untuk Data Indeks Dow Jones bulan Januari 2007 s.d. Juli 2016……… 76 Gambar 3. 6. Plot PACF untuk Data Indeks Dow Jones bulan Januari 2007 s.d.
Juli 2016………. 77
Gambar 3. 7. Plot ACF untuk Data Indeks Hang Seng bulan Januari 2007 s.d. Juli 2006……… ………. 77 Gambar 3. 8. Plot PACF untuk DataIndeks Hang Seng bulan Januari 2007 s.d. Juli
2006……… 78 Gambar 3. 9. Plot ACF untuk Data Tingkat Bunga bulan Januari 2007 s.d. Juli
2016………...78 Gambar 3. 10. Plot PACF untuk Data Tingkat Bunga bulan Januari 2007 s.d. Juli
2016……… .79 Gambar 3. 11. Plot ACF untuk Data Inflasi bulan Januari 2007 s.d. Juli
2016……… 79 Gambar 3. 12. Plot PACF untuk Data Inflasi bulan Januari 2007 s.d. Juli
2016……… 80 Gambar 3. 13. Plot ACF untuk Data Nilai Tukar Rupiah terhadap USD bulan Januari
xv
Gambar 3. 14. Plot PACF untuk Data Nilai Tukar Rupiah terhadap USD bulan Januari 2007 s.d. Juli 2016………. 81 Gambar 3. 15. Grafik fungsi keanggotaan himpunan fuzzy dan ……… 85 Gambar 3. 16. Arsitektur Jaringan Fuzzy FFNN dengan 6 input dan 8 hidden pada
peramalan Indeks Harga Saham Gabungan……….…92 Gambar 3. 17. Grafik percobaan algoritma genetika dalam Fuzzy FFNN pada seleksi
Roulette Wheel………..…112
Gambar 3. 18. Grafik percobaan algoritma genetika dalam Fuzzy FFNN pada seleksi
xvi DAFTAR LAMPIRAN Lampiran 1 ... 139 Lampiran 2 ... 143 Lampiran 3 ... 145 Lampiran 4 ... 146 Lampiran 5 ... 148 Lampiran 6 ... 149 Lampiran 7 ... 155 Lampiran 8 ... 157 Lampiran 9 ... 158 Lampiran 10 ... 168 Lampiran 11 ... 171 Lampiran 12 ... 174 Lampiran 13 ... 175 Lampiran 14 ... 178 Lampiran 15 ... 179
1
BAB I PENDAHULUAN
A. Latar Belakang
Pasar modal merupakan pasar untuk berbagai instrumen keuangan jangka panjang yang dapat diperjualbelikan, baik dalam bentuk utang ataupun modal sendiri. Pasar modal memiliki peran besar bagi perekonomian di suatu negara. Alasannya yaitu pasar modal menjalankan dua fungsi sekaligus. Fungsi tersebut yaitu fungsi ekonomi yang berarti pasar modal menyediakan fasilitas yang mempertemukan investor dan perusahaan yang menerbitkan saham (isssuer) dan fungsi keuangan yaitupasar modal memberikan kemungkinan dan kesempatan memperoleh imbalan bagi pemilik dana. Dengan adanya pasar modal diharapkan aktivitas perekonomian menjadi meningkat karena pasar modal merupakan alternatif pendanaan bagi perusahaan-perusahaan sehingga perusahaan dapat beroperasi dengan skala yang lebih besar(Darmadji & Fakhruddin, 2001: 1).
Pentingnya pasar modal dalam perekonomian Indonesia menyebabkan Indeks Harga Saham Gabungan (IHSG)ataucomposite stock price index menjadi indikator utama dalam perekonomian. IHSG merupakan indeks gabungan seluruh jenis saham yang tercatat di bursa efek. Indeks harga saham adalah indikator atau cerminan pergerakan harga saham. Indeks harga saham merupakan salah satu pedoman bagi investor untuk melakukan investasi di pasar modal, khususnya saham(Samsul, 2006: 185).
2
Pergerakan IHSG dipengaruhi oleh faktor internal dan faktor eksternal.Faktor internal merupakan faktor yang berasal dari dalam negeri, sedangkan faktor eksternal merupakan faktor yang berasal dari luar negeri. Deddy Azhar Mauliano dalam penelitiannya menyatakan bahwa faktor internal antara lainnilai tukar mata uang negara terhadap negara lain, tingkat suku bunga, dan inflasi yang terjadi di negara tersebut. Sedangkan faktor internal antaraindeks bursa asing negara lain, trend pergerakan harga minyak luar negeri, dan trend harga emas luar negeri.
Peramalan IHSG diperlukan untuk para investor agar dapat membuat keputusan yang tepat dalam investasi portofolionya. Peramalan (forecasting) didefinisikan sebagai alat/teknik untuk memprediksi atau memperkirakan suatu nilai pada masa yang akan datang dengan memperhatikan data atau informasi yang relevan, baik data/informasi masa lalu maupun data/informasi saat ini (Nachrowi & Usman, 2004: 226). Peramalan IHSG bertujuan untuk mengetahui nilai indeks saham di masa yang akan datang sehingga dapat digunakan investor untuk menanamkan modalnya di bursa saham. Salah satu teknik untuk peramalan yakni Neural Network (NN).
Neural Network (NN) atau jaringan saraf tiruan (JST) merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk menyimulasikan proses pembelajaran pada otak manusia (Kusumadewi S. , 2004: 207). Model NN dapat dibedakan menjadi 2 yaitu Feed Forward Neural Network (FFNN)dan Recurrent Neural Network (RNN)(Jang, et al, 1997: 201). FFNN merupakan model JST dimana proses pembelajarannya berjalan maju dari lapisan input menuju lapisan
3
output selanjutnya. Sedangkan RNN yaitu model JST dimana proses pembelajarannya paling sedikit ada satu koneksi umpan balik supaya terjadi proses siklis (Fausett, 1994: 12).Dengan FFNN, sebenarnya peramalan sudah dapat dilakukan. Akan tetapi, untuk mengoptimasi hasil peramalan dari FFNN digunakan Algoritma Genetika.
Algoritma genetika merupakan algoritma pencarian heuristik dan teknik optimasi yang cara kerjanya meniru proses evolusi dan perubahan struktur genetik pada makhluk hidup (Arkeman, dkk, 2012: 13). Pencarian heuristik yaitu teknik yang mengembangkan efisiensi dalam proses pencarian, namun dengan kemungkinan mengorbankan kelengkapan.Keuntungan algoritma genetika terlihat dari kemudahan implementasi dan kemampuan untuk menemukan solusi yang bisa diterima secara cepat untuk masalah yang berdimensi tinggi(Suyanto, 2005: 3). Proses pencarian solusi optimum yang dilakukan oleh Algoritma Genetika adalah proses “meningkatkan” jumlah kromosom dalam populasi agar semuanya mirip dengan bentuk representasi dari beberapa unit kromosom yang memiliki kemiripan tertentu yang nilai fitnessnya sangat baik (Arkeman, dkk, 2012: 58).
Dalam algoritma genetika ini terdapat komponen-komponen utama yang digunakan. Komponen-komponen utama dalam algoritma genetika antara lain pembangkitan populasi awal, evaluasi nilai fitness, seleksi, pindah silang, mutasi, elitisme, dan pembentukan populasi baru. Dalam penelitian ini akan digunakan variasi seleksi untuk membandingan seleksi mana yang terbaik. Seleksi merupakan
4
proses pemilihan individu yang akan dipilih sebagai induk terbaik. Seleksi dalam algoritma genetika ini bertujuan untuk memberikan kesempatan reproduksi yang lebih besar bagi anggota populasi yang paling fit. Beberapa metode seleksi antara lain seleksi roulette wheel,rank-based, local selectiondan seleksi turnamen.Akan tetapi, dalam skripsi ini hanya digunakan variasi seleksi roulette wheel dan rank based.
Dalam FFNN dengan algoritma genetika ini, input jaringan menggunakan pendekatan logika fuzzy.Logika fuzzy merupakan salah satu pembentuk soft computing.Soft computing adalah suatu model pendekatan untuk melakukan komputasi dengan meniru kemampuan akal manusia yang luar biasa untuk menalar dan belajar pada lingkungan yang penuh dengan ketidakpastian dan ketidaktepatan(Jang, et al, 1997: 1). Logika fuzzy digunakan sebagai suatu cara untuk memetakan permasalahan dari input menuju ke output yang diharapkan(Kusumadewi & Purnomo, 2013: 1).
Penggunaan metode FFNNtelah dilakukan oleh banyak peneliti. Seng Hansun pada tahun 2012 melakukan penelitian tentang peramalan data IHSG menggunakan fuzzy time series. Dari penelitian tersebut, metode peramalan fuzzy time series memberikan hasil cukup baik untuk peramalan data IHSG dengan MAPE (Mean Absolute Percentage Error) sebesar 0,0477 dan MSE (Mean Sqaured Error) sebesar 5,4045.Pada tahun 2014, Felasufah Kusumadewi melakukan penelitian tentang peramalan harga emas menggunakan FFNNdengan Algoritma Backpropagation. Dari penelitian tersebut, diperoleh hasil 1,8178% untuk MAPE training dan 5,6808%
5
untuk MAPE testing.Selanjutnya, Rahmada Putri Setiadi dalam skripsinya (2016) melakukan penelitian untuk mengklasifikasikan stadium kanker payudara menggunakan model Fuzzy Neural Network.Dari penelitian tersebut, diperoleh nilai akurasi 100% untuk data training dan 79,1667% untuk data testing.
Ni Wayan Dewinta Ayuni pada tahun 2015 dalam penelitian tentang pemodelan angka harapan hidup di Provinsi Jawa Timur dengan menggunakan FFNN. Dalam penelitian tersebutdihasilkan nilai MSE yang lebih kecil dibandingkan dengan model regresi linear yaitu 0,0014 untuk FFNN dan 0,5785 untuk regresi linear. Dong Yeong Kim, Ju Hyun Kim, Kwae Hwan Yoo, dan Man Gyun Na pada tahun 2014 melakukan penelitian tentang peramalan kandungan hidrogen menggunakan fuzzy neural network. Dalam penelitian tersebut diperoleh nilai RMS (Root Mean Square) sebesar 1,83%. Selanjutnya, pada penelitian Park, Seop Kim, Hwan Kim, dan Gyun Na (2014: 373-380) tentang peramalan tingkat air reaktor bejana menggunakan fuzzy neural network menghasilkan nilai RMS pada data training sebesar 0,2346 dan RMS pada data testing sebesar 0,3256 pada generator uap.
Maulita Pangesti pada tahun 2013 dalam skripsinya melakukan penelitian tentang optimasi jaringan saraf tiruan menggunakan algoritme genetika untuk peramalan panjang musim hujan. Pada penelitian tersebut dihasilkan nilai prediksi mendekati nilai observasi dengan nilai RMSE (Root Mean Square Error) sebesar 1,4 dan 1,8 dasarian.Ding, Cai, Sun, dan Chen(2014: 493-499) melakukan penelitian tentang tentang penggunaan kombinasi neural network dengan algoritma genetika untuk
6
prediksi kualitas air sungai. Dalam penelitiannya dihasilkan nilai MSE pada neural network dengan algoritma genetika sebesar 0,0032. Sedangkan nilai MSE pada neural network tanpa algoritma genetika sebesar 0,0740.Z. Sarafraz, H. Sarafraz, Sayeh, dan Nicklow (2015: 341-348) dalam penelitian tentang memaksimumkan hasil belajar menggunakan algoritma genetika pada prediksi pendaftaran model neural network. Dalam penelitian tersebut algoritma genetika meningkatkan hasil total sebesar 12% pada hasil yang sebenarnya.
Penelitian Bey Evural, Beyca, dan Zaim (2016: 537-545) tentang estimasi model ARMA (Autoregresive Moving Average) menggunakan algoritma genetika pada studi kasus peramalan konsumsi gas. Dalam penelitian tersebut dihasilkan nilai MAPEpada ARMA menggunakan algoritma genetika sebesar 0,1356. Sedangkan nilai MAPE pada ARMA tanpa menggunakan algoritma genetika sebesar 0,1991. Antonius Yuli pada tahun 2014 dalam skripsinya melakukan penelitian tentang Optimasi Rute Seorang Loper Koran di Fidi Agency Menggunakan Algoritma Genetika Metode Seleksi Ranking. Dari penelitian tersebut, dihasilkan nilai fitess terbaik sebesar 0,0193.Pada tahun 2015 Adam Arif Dirgantara dalam skripsinya melakukan penelitian tentang Algoritma Genetika dalam penyelesaian Capacitated Vehicle Routing Problem.Dari penelitian tersebut diperoleh nilai fitness sebesar 0,006628.
Berdasarkan penelitian sebelumnya, penggunaan fuzzy FFNNdengan algoritma genetika menggunakan variasi seleksi, khususnya pada peramalan IHSG belum pernah dilakukan. Hal-hal yang telah diuraikan diatas melatarbelakangipeneliti untuk
7
melakukan penelitian tentang “Fuzzy Feed Forward Neural Network untuk Peramalan Indeks Harga Saham Gabungan (IHSG) dengan Algoritma Genetika Menggunakan Variasi Seleksi”.
B. Rumusan Masalah
Berdasarkan latar belakang, maka dalam skripsi ini dirumuskan masalah yaitu: 1. Bagaimana Fuzzy Feed Forward Neural Network untuk Peramalan Indeks Harga
Saham Gabungan (IHSG) dengan Algoritma Genetika menggunakan Variasi Seleksi?
2. Bagaimana hasil peramalan Indeks Harga Saham Gabungan (IHSG) menggunakan dengan model Fuzzy Feed Forward Neural Network untuk Peramalan Indeks Harga Saham Gabungan (IHSG) dengan Algoritma Genetika menggunakan Variasi Seleksi?
C. Tujuan Penelitian
Sesuai dengan pokok permasalahan yang telah dirumuskan, tujuan penulisan tugas akhir ini adalah
1. menjelaskan Fuzzy Feed Forward Neural Networkuntuk Peramalan Indeks Harga Saham Gabungan(IHSG) dengan Algoritma Genetika menggunakan Variasi Seleksi pada data time series.
2. meramalkan IHSG menggunakan dengan model Fuzzy Feed Forward Neural Networkuntuk Peramalan Indeks Harga Saham Gabungan (IHSG) dengan Algoritma Genetika menggunakan Variasi Seleksi.
8
D. Manfaat Penelitian
Adapun manfaat yang diperoleh dari penelitian ini antara lain:
1. sebagai referensi atau bahan acuan secara umum tentang model Fuzzy Feed Forward Neural Networkuntuk peramalan.
2. sebagai referensi atau bahan acuan secara umum tentang penggunaan algoritma genetika dalam optimasi model Fuzzy Feed Forward Neural Network.
3. sebagai referensi atau bahan acuan tentang penggunan model Fuzzy Feed Forward Neural Network dengan algoritma genetika pada peramalan Indeks Harga Saham Gabungan (IHSG).
9
BAB II