PREDIKSI HARGA SAHAM SYARIAH MENGGUNAKAN METODE
SIMPLE EVOLVING CONNECTIONIST SYSTEM (SECOS)
SKRIPSI
INDRY ERVIANTI
101402007
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
PREDIKSI HARGA SAHAM SYARIAH MENGGUNAKAN METODE
SIMPLE EVOLVING CONNECTIONIST SYSTEM (SECOS)
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi
INDRY ERVIANTI 101402007
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : PREDIKSI HARGA SAHAM SYARIAH
MENGGUNAKAN METODE SIMPLE EVOLVING CONNECTIONIST SYSTEM (SECOS)
Kategori : SKRIPSI
Nama : INDRY ERVIANTI
Nomor Induk Mahasiswa : 101402007
Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI Departemen : TEKNOLOGI INFORMASI
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI (FASILKOM-TI) UNIVERSITAS SUMATERA UTARA
Diluluskan di
Medan, Desember 2014 Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Dedy Arisandi, ST, M.Kom Dr. Syahril Efendi, S.Si, M.IT NIP 19790831 200912 1 002 NIP 19671110 199602 1 001
Diketahui/Disetujui oleh
Program Studi S1 Teknologi Informasi Ketua,
PERNYATAAN
PREDIKSI HARGA SAHAM SYARIAH MENGGUNAKAN METODE
SIMPLE EVOLVING CONNECTIONIST SYSTEM (SECOS)
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, Desember 2014
UCAPAN TERIMA KASIH
Puji dan syukur penulis sampaikan kehadirat Allah SWT yang telah memberikan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat untuk memperoleh gelar Sarjana Teknologi Informasi, Program Studi S1 Teknologi Informasi Universitas Sumatera Utara.
Ucapan terima kasih penulis sampaikan kepada Bapak Dr. Syahril Efendi, S.Si, M.IT selaku pembimbing satu dan Dedy Arisandi, ST, M.Kom selaku pembimbing dua yang telah banyak meluangkan waktu dan pikirannya, memotivasi dan memberikan kritik dan saran kepada penulis. Ucapan terima kasih juga ditujukan kepada Bapak Romi Fadillah Rahmat, B.Comp.Sc., M.Sc. dan Ibu Sarah Purnamawati, ST, M.Sc yang telah bersedia menjadi dosen pembanding. Ucapan terima kasih juga ditujukan kepada Ketua dan Sekretaris Program Studi Teknologi Informasi, Muhammad Anggia Muchtar, ST. MM.IT dan Muhammad Fadly Syahputra, B.Sc, M.Sc.IT, Dekan dan Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara, semua dosen serta pegawai di Program Studi S1 Teknologi Informasi.
ABSTRAK
Saham syariah memiliki potensi yang sangat besar untuk mengimbangi saham konvensional di Indonesia. Dapat dilihat dari pertumbuhan saham syariah di pasar modal syariah yang mulai tinggi dan menunjukkan peningkatan jumlah saham. Saham konvensional memasukkan seluruh saham yang tercatat pada bursa saham dengan mengabaikan faktor halal dan haram. Sedangkan investasi dalam bentuk surat berharga bisa dikategorikan sebagai produk syariah, yaitu dengan syarat peraturan pelaksanaannya tidak bertentangan dengan syariah Islam tersebut. Oleh karena itu, pelaku pasar (investor) saham syariah diharuskan untuk memiliki pemahaman yang baik tentang manfaat transaksi dan manajemen resiko di pasar saham sehingga dapat menghindari resiko transaksi. Pada penelitian ini akan diimplementasikan algoritma ECoS yaitu Simple Evolving Connectionist System (SECoS). SECoS adalah implementasi minimalis dari prinsip ECoS yaitu versi sederhana dari Evolving Fuzzy Neural Network (EFuNN). Pengukuran tingkat akurasi hasil prediksi menggunakan nilai MAPE (Mean Absolute Percentage Error). Hasil prediksi yang dilakukan menggunakan metode SECoS dengan menggunakan kombinasi parameter sensitivity threshold = 0.9, error threshold = 0.01, learning rate 1 = 0.6, learning rate 2 = 0.9, dan interval hari = 1 hari pada indeks saham Jakarta Islamic Index (JII) dari tanggal 1 Januari 2004 sampai dengan 31 Desember 2012 memperoleh error rata-rata yaitu sebesar 0.666840%.
SHARIA STOCK PRICE PREDICTION USING SIMPLE EVOLVING CONNECTIONIST SYSTEM (SECOS)
ABSTRACT
Sharia stock has a huge potential to stand with the conventional stock in Indonesia. It’s seen by the growth of sharia stock in sharia market which started high and showing the rate of stock number. Conventional stock take all of registered stock in stock exchange which ignore rightfull and forbidden factor. And valas investment can be categorized as sharia product with a reason that is not opposition of syar’i of islam. Because of that, the investor of sharia stock market must has good knowledge about benefit of transaction and risk management in market to avoid the risk of transaction. In this research will be implemented the algorithm of ECoS, Simple Evolving Connectionist System (SECoS). SECoS is minimalist implementation of ECOS, that is simplified version of the Evolving Fuzzy Neural Network (EFuNN). Measuring the accuracy of the prediction results using the value of MAPE (Mean Absolute Percentage Error). The results of prediction using SECoS with parameter combination learning rate 1 = 0.6, learning rate 2 = 0.9, dan interval of day = 1 day on stock indices Jakarta Islamic Index ( JII ) from January 1st, 2011 to December 31st, 2012 yield average error of 0.666840%.
DAFTAR ISI
Hal.
PERSETUJUAN ii
PERNYATAAN iii
UCAPAN TERIMAKASIH iv
ABSTRAK v
1.6 Sistematika Penulisan 4
BAB 2 LANDASAN TEORI 5
2.1 Saham Syariah 5
2.2 Analisis Harga Saham dan Resiko Investasi 7
2.3 Peramalan (Forecasting) 8
2.3.1 Peramalan Data Runtun Waktu (Time Series) 9
2.4 Evolving Connectionist System (ECoS) 11
2.4.1 Prinsip Umum EcoS 14
2.5 Simple Evolving Connectionist System (SECoS) 14 2.5.1 Algoritma Simple Evolving Connectionist System 16
2.6 Penelitian Terdahulu 17
BAB 3 ANALISIS DAN PERANCANGAN APLIKASI 20
3.1 Identifikasi Masalah 20
3.2 Data yang Digunakan 20
3.3.1 Tahap Normalisasi Data 23
3.3.2 Tahap Training Data 24
3.3.3 Tahap Testing Data 27
3.4 Perancangan Aplikasi 30
3.4.1 General Architecture 30
3.4.2 Use Case Diagram 31
3.4.3 Use Case Spesification 32
3.4.4 Class Diagram 35
3.4.5 Activity Diagram 36
3.4.6 Rancangan Menu Sistem 39
3.4.7 Perancangan Antarmuka 40
3.4.7.1 Rancangan Halaman Pengaturan Data 40 3.4.7.2 Rancangan Halaman Pelatihan Data 41 3.4.7.3 Rancangan Halaman Pelatihan Data 42
3.4.7.4 Rancangan Halaman Prediksi 42
BAB 4 IMPLEMENTASI DAN PENGUJIAN APLIKASI 44
4.1 Implementasi 44
4.1.1 Spesifikasi Hardware dan Software yang digunakan 44 4.1.2 Implementasi Perancangan Antarmuka 44
4.1.3 Implementasi Data 48
4.2 Pengujian 49
4.2.1 Rencana Pengujian Aplikasi 49
4.2.2 Kasus dan hasil pengujian aplikasi 50
4.2.3 Pengujian Kinerja Aplikasi 52
4.2.4 Data Training 58
4.2.5 Pengujian Data 63
BAB 5 KESIMPULAN DAN SARAN 66
5.1 Kesimpulan 66
5.2 Saran 67
DAFTAR TABEL
Hal.
Tabel 2.1 Penelitian Sebelumnya 17
Tabel 3.1 Rangkuman Data Saham Jakarta Islamic Index 21 Table 3.2 Use Case Spesifikasi untuk Use Case Pengaturan Data 33 Table 3.3 Use Case Spesifikasi untuk Use Case Pelatihan Data 33 Table 3.4 Use Case Spesifikasi untuk Use Case Pengujian Data 34 Table 3.5 Use Case Spesifikasi untuk Use Case Prediksi 34
Table 4.1 Data Saham Jakarta Islamic Index 48
Table 4.2 Rencana Pengujian 50
Table 4.3 Hasil Pengujian 50
Table 4.4 Data Saham Jakarta Islamic Index (JII) 52
Table 4.5 Hasil Normalisasi Data Saham 53
Table 4.6 Vektor Data 54
Table 4.7 Hasil Training Data Saham 55
Table 4.8 Hasil Testing Data Saham 56
DAFTAR GAMBAR
Hal.
Gambar 2.1 Pola Data Horizontal 9
Gambar 2.2 Pola Data Musiman 10
Gambar 2.3 Pola Data Siklis 10
Gambar 2.4 Pola Data Tren 11
Gambar 2.5 Arsitektur ECoS 13
Gambar 2.6 Proses Interaksi ECoS 13
Gambar 2.7 Arsitektur SECoS 15
Gambar 3.1 Grafik Harga Saham Jakarta Islamic Index (JII) 22
Gambar 3.2 Arsitektur dari SECoS 23
Gambar 3.3 Flowchart Normalisasi Data 24
Gambar 3.4 Flowchart Generate Vector Pelatihan 25
Gambar 3.5 Flowchart Proses Training Data 26
Gambar 3.6 Flowchart Generate Vector Pengujian 27
Gambar 3.7 Flowchart Denormalisasi Data 28
Gambar 3.8 Flowchart proses testing 29
Gambar 3.9 General Architecture 30
Gambar 3.10 Use case Diagram 32
Gambar 3.11 Class Diagram 35
Gambar 3.12 Activity Diagram Pengaturan Data 36
Gambar 3.13 Activity Diagram Pelatihan Data 37
Gambar 3.14 Activity Diagram Pengujian Data 38
Gambar 3.15 Activity Diagram Prediksi 39
Gambar 3.16 Rancangan Menu Sistem 39
Gambar 3.17 Pengaturan Data (Input Data Saham) 40 Gambar 3.18 Pengaturan Data (Tampilan Data Saham) 40
Gambar 3.19 Pelatihan Data 41
Gambar 3.20 Pengujian Data 42
Gambar 3.21 Prediksi 43
Gambar 4.2 Halaman Pengaturan Data 45
Gambar 4.3 Tampilan Input Harga Saham 46
Gambar 4.4 Tampilan pelatihan data 46
Gambar 4.5 Tampilan pengujian data 47
Gambar 4.6 Tampilan Grafik 47
Gambar 4.7 Tampilan Prediksi 48
Gambar 4.8 Grafik Hasil Prediksi 58
Gambar 4.9 Grafik Nilai Error 61
Gambar 4.10 Grafik Data Pelatihan 61
Gambar 4.11 Grafik Hasil Prediksi 63
ABSTRAK
Saham syariah memiliki potensi yang sangat besar untuk mengimbangi saham konvensional di Indonesia. Dapat dilihat dari pertumbuhan saham syariah di pasar modal syariah yang mulai tinggi dan menunjukkan peningkatan jumlah saham. Saham konvensional memasukkan seluruh saham yang tercatat pada bursa saham dengan mengabaikan faktor halal dan haram. Sedangkan investasi dalam bentuk surat berharga bisa dikategorikan sebagai produk syariah, yaitu dengan syarat peraturan pelaksanaannya tidak bertentangan dengan syariah Islam tersebut. Oleh karena itu, pelaku pasar (investor) saham syariah diharuskan untuk memiliki pemahaman yang baik tentang manfaat transaksi dan manajemen resiko di pasar saham sehingga dapat menghindari resiko transaksi. Pada penelitian ini akan diimplementasikan algoritma ECoS yaitu Simple Evolving Connectionist System (SECoS). SECoS adalah implementasi minimalis dari prinsip ECoS yaitu versi sederhana dari Evolving Fuzzy Neural Network (EFuNN). Pengukuran tingkat akurasi hasil prediksi menggunakan nilai MAPE (Mean Absolute Percentage Error). Hasil prediksi yang dilakukan menggunakan metode SECoS dengan menggunakan kombinasi parameter sensitivity threshold = 0.9, error threshold = 0.01, learning rate 1 = 0.6, learning rate 2 = 0.9, dan interval hari = 1 hari pada indeks saham Jakarta Islamic Index (JII) dari tanggal 1 Januari 2004 sampai dengan 31 Desember 2012 memperoleh error rata-rata yaitu sebesar 0.666840%.
SHARIA STOCK PRICE PREDICTION USING SIMPLE EVOLVING CONNECTIONIST SYSTEM (SECOS)
ABSTRACT
Sharia stock has a huge potential to stand with the conventional stock in Indonesia. It’s seen by the growth of sharia stock in sharia market which started high and showing the rate of stock number. Conventional stock take all of registered stock in stock exchange which ignore rightfull and forbidden factor. And valas investment can be categorized as sharia product with a reason that is not opposition of syar’i of islam. Because of that, the investor of sharia stock market must has good knowledge about benefit of transaction and risk management in market to avoid the risk of transaction. In this research will be implemented the algorithm of ECoS, Simple Evolving Connectionist System (SECoS). SECoS is minimalist implementation of ECOS, that is simplified version of the Evolving Fuzzy Neural Network (EFuNN). Measuring the accuracy of the prediction results using the value of MAPE (Mean Absolute Percentage Error). The results of prediction using SECoS with parameter combination learning rate 1 = 0.6, learning rate 2 = 0.9, dan interval of day = 1 day on stock indices Jakarta Islamic Index ( JII ) from January 1st, 2011 to December 31st, 2012 yield average error of 0.666840%.
BAB 1 PENDAHULUAN
1.1 Latar Belakang
Saham adalah surat berharga tanda bukti kepemilikan seseorang atas suatu perusahaan yang berbentuk perseroan terbatas (PT) (Guslina, 2009). Saham konvensional memasukkan seluruh saham yang tercatat pada bursa saham dengan mengabaikan faktor halal dan haram. Hal yang terpenting adalah saham emiten yang terdaftar
(listing) telah sesuai dengan aturan yang berlaku atau legal secara hukum tanpa memikirkan jika ada emiten yang menjual sahamnya di sektor usaha yang bertentangan dengan syariah islam atau dapat merusak kehidupan masyarakat. Sehingga, saham konvensional dapat memiliki ketidakpastian yang sangat besar. Selain itu, saham syariah juga memiliki potensi yang sangat besar untuk mengimbangi saham konvensional di Indonesia. Dapat dilihat dari pertumbuhan saham syariah di pasar modal syariah mulai tinggi dan menunjukkan peningkatan jumlah saham. Di Indonesia, ada dua indeks saham syariah yang merupakan indikator penunjuk kinerja / pergerakan indeks harga saham syariah di Bursa Efek Indonesia (BEI), yaitu Indeks Saham Syariah Indonesia (ISSI) yang berdiri tahun 2011 dan Jakarta Islamic Index (JII) yang berdiri sejak tahun 2000.
(sesuai syariah) apabila saham yang dikeluarkan oleh perusahaan yang pelaksanaan kegiatannya dibidang halal atau tujuan pembelian saham untuk berinvestasi bukan untuk spekulasi (judi).
Saham syariah dapat diprediksi lebih akurat dengan menggunakan sistem cerdas. Adapun penelitian yang telah dilakukan dengan metode Evolving Connectionist System (ECoS) adalah Experiments on Isolated Phoneme Recognition
(Watts & Kasabov, 2000), Adaptive Speech Recognition (Watts, et al., 2003),
Adaptive Anomaly Detection (Liao,Vemuri et al.,2005), dan Predicting Insect Pest Establishment (Watts & Worner, 2006). Selain itu, prediksi saham telah menggunakan banyak metode antara lain Jaringan SyarafTiruan Multilayer Feedforward Network
dengan Algoritma Backpropagation (Setiawan, 2008), Metode Adaptive Neuro Fuzzy Inference System (ANFIS) (Hani, 2014), Recurrent Neural Network dengan algoritma
Backpropagation Through Time (Bptt) (Susanti et al, 2011).
ECoS adalah sebuah adaptasi, peningkatan pembelajaran dan sistem representasi pengetahuan yang mengembangkan struktur dan fungsionalitasnya, dimana inti dari sistem ini adalah arsitektur connectionist yang terdiri dari neuron-neuron (unit pemrosesan informasi) dan hubungan diantara neuron-neuron tersebut. ECoS adalah sebuah sistem CI (Computational Intelligent) yang berbasis pada neural network, tetapi menggunakan teknik diluar CI yang beroperasi pada waktu secara kontinu dan mengadaptasi struktur dan fungsionalitas pada setiap interaksi yang berulang-ulang dengan lingkungan dan sistem lainnya. ECoS mampu mengatasi kelemahan yang ada pada jaringan saraf tiruan seperti waktu pelatihan yang cukup lama dan kesulitan dalam menentukan arsitektur sistem (Kasabov, 2007). Simple Evolving Connectionist System (SECoS), adalah implementasi minimalis dari prinsip ECoS. Untuk itu, pada penelitian ini akan diimplementasikan algoritma ECoS yaitu
1.2 Rumusan Masalah
Saham syariah memiliki potensi yang sangat besar untuk mengimbangi saham konvensional di Indonesia. Sehingga, investor saham syariah harus memiliki pemahaman yang baik tentang resiko maupun manfaat dari transaksi di pasar saham agar calon investor tidak salah dalam memilih. Oleh karena itu, dibutuhkan sebuah solusi untuk memprediksi harga saham syariah sehingga menghasilkan suatu aplikasi prediksi harga saham yang lebih akurat berdasarkan data saham yang lalu.
1.3 Batasan Masalah
Agar penelitian ini lebih terarah dan permasalahan pada penelitian ini tidak terlalu lebar, maka batasan masalah pada penelitian ini dapat dirangkumkan sebagai berikut:
1. Penentuan prediksi saham syariah ini merupakan perkiraan saham sehari kedepan berdasarkan pada beberapa variabel data transaksi saham syariah yaitu harga pembukaan, harga tertinggi, harga terendah, harga penutupan dan volume.
2. Penelitian ini tidak mempertimbangan pengaruh-pengaruh fundamental ekonomi yang mungkin dapat terjadi.
3. Penelitian ini tidak mempertimbangkan kejadian-kejadian lainnya yang mungkin mempengaruhi hasil prediksi tersebut.
1.4 Tujuan Penelitian
Tujuan dari penelitian ini adalah menggunakan metode SECoS untuk memprediksi data saham syariah di Indonesia berdasarkan data runtun waktu saham di masa lalu.
1.5 Manfaat Penelitian
Manfaat yang dapat diperoleh dari penelitian ini adalah:
1. Mengetahui kemampuan metode SECoS dalam memprediksi data saham syariah di Indonesia.
2. Membantu user untuk memperoleh informasi tentang prediksi harga saham syariah di waktu yang akan datang.
1.6 Sistematika Penulisan
Sistematika penulisan skripsi ini terdiri dari lima bagian utama antara lain sebagai berikut:
BAB 1: PENDAHULUAN
Bab pendahuluan terdiri dari latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, dan sistematika penulisan.
BAB 2: LANDASAN TEORI
Bab landasan teori berisi teori-teori yang digunakan untuk memahami permasalahan yang dibahas pada penelitian ini. Bab ini juga dijelaskan tentang penerapan metode Evolving Connectionist Systems (ECoS) untuk memprediksi harga saham syariah.
BAB 3: ANALISIS DAN PERANCANGAN SISTEM
Bab analisis dan perancangan aplikasi berisi analisis dan penerapan metode Simple Evolving Connectionist Systems (SECoS) untuk memprediksi harga saham syariah berdasarkan data-data saham yang lalu, serta perancangan seperti pemodelan dengan flowchart, dan perancangan antarmuka.
BAB 4: IMPLEMENTASI DAN PENGUJIAN SISTEM
Bab implementasi dan pengujian aplikasi membahas tentang implementasi dari analisis dan perancangan yang disusun pada Bab 3 dan pengujian untuk mengetahui apakah hasil yang diperoleh sesuai dengan yang diharapkan.
BAB 5: KESIMPULAN DAN SARAN
BAB 2
LANDASAN TEORI
Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode Simple Evolving Connectionist System
(SECoS) untuk memprediksi harga saham syariah di Indonesia.
2.1 Saham Syariah
Saham syariah merupakan surat berharga yang merepresentasikan penyertaan modal kedalam suatu perusahaan yang tidak melanggar prinsip-prinsip syariah, seperti bidang perjudian, riba, produksi barang yang diharamkan seperti bir, dan lain-lain (Darmadji & Fakhruddin, 2006). Menurut syariah, kegiatan pembiayaan dan investasi keuangan pada prinsipnya adalah kegiatan yang dilakukan oleh investor terhadap
emiten (pemilik usaha) untuk memberdayakan emiten dalam melakukan kegiatan usahanya investor berharap untuk memperoleh untuk manfaat tertentu. Oleh karena itu, kegiatan pembiayaan dan investasi tersebut adalah termasuk kegiatan dari investor
secara pasif sehingga prinsip syariah pada kegiatan tersebut sama dengan pada kegiatan usaha yang lainnya yaitu prinsip kehalalan dan keadilan. Prinsip tersebut adalah sebagai berikut (Sutedi, 2011) :
1. Pembiayaan dan investasi hanya dapat dilakukan pada aset atau kegiatan usaha yang halal, dimana kegiatan usaha tersebut bermannfaat dan spesifik sehingga dapat dilakukan bagi hasil atas manfaat yang ada.
2. Pembiayaan dan investasi harus pada mata uang yang sama dengan pembukuan kegiatan usaha karena uang adalah alat bantu pertukaran nilai dan hasil yang diperoleh oleh investor.
4. Investor dan emiten tidak boleh mengambil resiko yang melebihi kemampuan yang dapat menimbulkan kerugian yang sebenarnya dapat dihindari.
5. Investor, emiten maupun bursa dan self regulatingorganization lainnya tidak boleh melakukan hal-hal yang menyebabkan gangguan yang disengaja atas mekanisme pasar, baik dari segi penawaran maupun dari segi permintaan.
Dari penjelasan diatas dapat terlihat bahwa prinsip-prinsip syariah telah meliputi dari semua prinsip yang ada. Namun, prinsip-prinsip syariah juga memberikan penekanan (emphasis) pada (Sutedi, 2011):
1. Kehalalan produk atau jasa dari kegiatan usaha, karena menurut prinsip syariah manusia hanya boleh memperoleh keuntungan atau penambahan harta dari hal-hal yang baik.
2. Kegiatan usaha yang spesifik dengan manfaat yang jelas sehingga tidak ada keraguan akan hasil usaha yang akan menjadi objek dalam perhitungan keuntungan yang diperoleh.
3. Mekanisme bagi hasil yang baik dan adil dalam untung maupun rugi menurut penyertaan masing-masing pihak.
4. Penekanan pada mekanisme pasar yang wajar dan prinsip kehati-hatian baik pada emiten maupun investor.
Instrumen yang diharamkan dalam pasar modal syariah sebagai berikut (Sutedi, 2011), yaitu :
1. Preferred Stock (saham istimewa)
2. Forward Contract
Forward Contract merupakan bentuk jual beli hutang (debt to debt) yang didalamnya terdapat unsur riba, sedangkan transaksinya dilakukan sebelum tanggal jatuh tempo.
3. Option
Option merupakan transaksi yang tidak disertai dengan underlying asset atau
real asset, atau dengan kata lain objek yang ditransaksikan tidak dimiliki oleh penjual. Namun, transaksi option yang merupakan representasi dari nilai
intangible asset, maka dianggap sebagai real asset dan dapat dibenarkan menurut syariah.
2.2 Analisis Harga Saham dan Resiko Investasi
Analisis harga saham adalah suatu proses memprediksi harga suatu saham. Ada dua pendekatan dasar dalam menganalisis atau memilih saham yang tepat yaitu analisis fundamental dan analisis teknikal (Hani, 2014). Analisis fundamental merupakan salah satu cara untuk melakukan penilaian terhadap saham dengan mempelajari, atau mengamati berbagai indikator yang ada yaitu kondisi makro ekonomi dan kondisi industri suatu perusahaan termasuk berbagai indikator keuangan dan manajemen perusahaan. Oleh karena itu, analisis fundamental merupakan analisis berdasar pada berbagai data riil untuk mengevaluasi nilai suatu saham. Beberapa data atau indikator yang sering digunakan adalah margin laba (profit margin), pendapatan, pengembalian atas ekuitas (return on equity), laba, pertumbuhan penjualan, dan data-data keuanganlainnya sebagai sarana untuk menilai kinerja perusahaan dan potensi pertumbuhan perusahaan dimasa yang akan datang (Darmadji & Fakhruddin, 2006).
indikator yang diberikan yaitu grafik baris (line chart), grafik bar (bar chart),
candlestick chart, dan point and figure chart (Widoatmodjo, 2009). Baik analisis fundamental maupun analisis teknikal dapat dikombinasikan dengan menggunakan metode-metode lainnya seperti metode perataan bergerak (moving average) dan metode pemulusan eksponensial (exponential smoothing), algoritma genetik, metode
hybrid, jaringan saraf tiruan, dan fuzzy agar menghasilkan prediksi harga saham yang lebih akurat dan tepat (Hani, 2014).
Setiap keputusan investasi selalu menyangkut 2 hal yaitu resiko dan return. Resiko memiliki hubungan positif dengan return yang diharapkan dari investasi, sehingga jika return yang diharapkan besar maka resiko yang akan ditanggung oleh investor juga semakin besar dan begitu juga sebaliknya (Huda & Edwin, 2007).
Dalam analisis tradisional, resiko total dari berbagai aset keuangan berasal dari
interest rate risk, market risk, inflation risk, business risk, financial risk, liquidity risk,
exchange rate risk, dan country risk. Berbeda dengan analisis tradisional, analisis investasi modern membagi resiko total menjadi 2 bagian yaitu resiko sistematik dan resiko tidak sistematik (Huda & Edwin, 2007). Resiko sistematik atau lebih populer dikenal dengan resiko pasar adalah resiko yang dampaknya dirasakan oleh seluruh instrumen investasi yang sangat berpengaruh terhadap pasar seperti inflasi, kenaikan suku bunga, resesi ekonomi, perpajakan, harga BBM, dan lain sebagainya. Sedangkan resiko tidak sistematik atau sering disebut resiko unik adalah resiko yang dampaknya hanya dirasakan oleh perusahaan tertentu, misalnya pemogokan kerja pada perusahaan tekstil maka dampaknya hanya akan berpengaruh terhadap harga saham perusahaan-perusahaan tekstil lainnya (Widioatmodjo, 2009).
2.3 Peramalan (Forecasting)
Berdasarkan sifatnya, peramalan dibagi menjadi dua jenis yaitu peramalan kualitatif dan permalan kuantitatif. Peramalan kualitatif adalah permalan yang berdasarkan pada pendapat suatu pihak atau hasil penelitian questioner yang telah dilakukan sebelumnya dan datanya tidak dapat direpresentasikan secara jelas kedalam angka atau nilai. Hasil peramalan yang dibuat sangat bergantung pada orang yang membuatnya, hal tersebut sangat menentukan hasil peramalan karena berdasarkan intuisi, pendapat, dan pengetahuan serta pengalaman penyusunnya. Peramalan kuantitatif adalah peramalan yang berdasarkan data kuantitatif dimasa lalu dan dapat dibuat dalam bentuk angka (Jumingan, 2009).
2.3.1 Peramalan Data Runtun Waktu (Time Series)
Model data time series adalah peramalan secara kuantitatif dengan menggunakan waktu sebagai dasar peramalan. Model time series dikenal dengan model kuantitatif intrinsik. Tujuan peramalan tersebut adalah menemukan pola dalam deret data historis dan menterjemahkan pola tersebut kedalam deret data ke pola data masa depan (Heizer & Render, 2005). Metode time series adalah metode yang digunakan untuk menganalisis data yang merupakan fungsi dari waktu (Ishak, 2010).
Terdapat beberapa kecendrungan pada jenis pola data runtun waktu (Hartanto, 2012), yaitu sebagai berikut:
1. Pola Data Horizontal
Pola data horizontal terjadi apabila nilai data berfluktuasi di sekitar nilai rata-rata yang konstan. Deret tersebut seperti stationer terhadap nilai rata-rata-rata-ratanya.
Gambar 2.1 Pola Data Horizontal
Y
2. Pola Data Musiman
Pola ini terjadi jika suatu deret dipengaruhi oleh musiman (misalnya kuartal tahun tertentu, bulanan, mingguan, atau pada hari-hari tertentu).
Gambar 2.2 Pola Data Musiman
3. Pola Data Siklis
Pola data siklis terjadi jika datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang yang berhubungan dengan siklus bisnis. Penjualan produk seperti mobil, baja, dan peralatan lainnya menunjukkan jenis pola data ini.
Gambar 2.3 Pola Data Siklis
4. Pola Data Tren
Pola ini terjadi apabila terdapat kenaikan atau penurunan sekuler jangka panjang dalam data. Data penjualan suatu perusahaan, produk bruto nasional (GNP), dan berbagai indikator bisnis atau ekonomi lainnya mengikuti suatu pola data tren selama perubahannya sepanjang waktu.
Y
X
Y
Gambar 2.4 Pola Data Tren
2.4 Evolving Connectionist System (ECoS)
Beberapa metode dalam komputasi cerdas yang berhasil dikembangkan seperti jaringan saraf tiruan (JST), sistem fuzzy, evolutionary computation, hybrid system,
adaptive machine learning, masih terdapat beberapa masalah ketika menerapkan metode tersebut pada perkembangan proses yang kompleks (Kasabov, 2007). Hal tersebut antara lain :
1. Sulit dalam menentukan arsitektur sistem. Komputasi cerdas biasanya memiliki model arsitektur yang tetap, seperti jumlah neuron dan koneksi yang tetap. Hal ini membuat sistem kesulitan dalam beradaptasi terhadap data yangbaru dengan distribusi yang tidak diketahui. Arsitektur yang tetap tentu akan mencegah JST akan mode proses pembelajaran yang terus-menerus. 2. Catastrophic forgetting yaitu memungkinkan suatu sistem untuk melupakan
sebagian besar dari pengetahuan terdahulu ketika sedang melakukan pembelajaran terhadap data baru.
3. Banyaknya waktu pelatihan yang diperlukan. Pelatihan JST dalam batch mode
biasanya memerlukan banyak iterasi dari propagasi data melalui strukturnya. Hal ini mungkin tidak bisa diterima untuk pembelajaran online yang membutuhkan proses adaptasi yang cepat.
4. Kurangnya fasilitas dalam merepresentasikan pengetahuan. Banyak arsitektur dari komputasi cerdas yang dapat mengambil beberapa parameter statistik selama pelatihan, akan tetapi hal tersebut tidak memfasilitasi ekstraksi dari aturan-aturan yang ada ke dalam bentuk informasi linguistik yang dapat dimengerti.
Y
Dalam pengertian umum, sistem informasi seharusnya membantu dalam melakukan dan memahami dinamika proses yang dimodelkan, aturan-aturan dalam sistem yang otomatis terus berkembang, pengetahuan yang memperoleh esensi dari proses-proses tersebut, mempermudah dalam penyelesaian masalah yang kompleks, dan meningkatkan kinerja proses yang terus menerus berkembang sepanjang waktu. Kebutuhan akan hal-hal tersebut termasuk dalam bagian kecerdasan buatan yang mana disebut Evolving Intelligence System (EIS). Penekanan disini bukan pada pencapaian akhir dari kecerdasan buatan tersebut tapi untuk menciptakan sistem yang memiliki kemampuan belajar terus-menerus berdasarkan pengetahuan yang masuk dan terus berkembang, meningkatkan kinerja sistem, mengembangkan representasi pengetahuan pada masalah yang ditangani, dan menjadikan sistem lebih cerdas.
EIS merupakan sebuah sistem informasi yang dapat mengembangkan struktur, fungsionalitas, dan pengetahuannya secara mandiri dengan terus-menerus, self-organized, adaptive, dan interaktif terhadap informasi yang masuk serta melakukan tugas-tugas cerdas yang dapat dilakukan manusia pada umumnya (Kasabov, 2007).
Evolving Connectionist System (ECoS) adalah salah satu bentuk dari EIS. ECoS adalah sebuah metode pembelajaran yang adaptif, bertahap dan sistem representasi pengetahuan yang mengembangkan struktur dan fungsinya, dimana inti dari sistem tersebut adalah arsitektur connectionist yang terdiri dari neuron (unit pengolah informasi) dan hubungan antar-neuron. ECoS juga merupakan sistem komputasi cerdas yang berdasarkan neural networks, tetapi menggunakan teknik lain dari komputasi cerdas yang beroperasi secara terus-menerus dan mengadaptasikan struktur dan fungsinya melalui interaksi lanjutan terhadap lingkungan dan dengan sistem lainnya (Kasabov, 2007). Proses adaptasi tersebut dapat didefinisikan melalui :
1. Sekumpulan aturan yang diatur untuk dapat terus berkembang. 2. Satu set parameter yang dapat berubah selama sistem beroperasi.
3. Sebuah aliran input informasi yang datang secara terus menerus yang mungkin terjadi pada distribusi data yang tidak menentu.
Hal diatas dapat dilihat pada gambar
Gambar 2.5Arsitektur ECoS (Kasabov, 2007)
Sistem EIS, dan ECOS terdiri dari empat bagian utama yaitu sebagai beikut : 1. Data masukan
2. Preprocessing dan evaluasi fitur 3. Pemodelan
4. Pengetahuan masukan
pada gambar diatas, mereka memproses berbagai jenis informasi yang berbeda-beda secara adaptif dan berkelanjutan, dan berkomunikasi dengan user secara cerdas yang menyediakan pengetahuan (rules). Data diperoleh dari sumber-sumber yang berbeda seperti DNA, brain signals, data ekonomi-sosial dan ekologis, dan sumber lainnya. Jika interaksi antara manusia dan sistem dapat diperoleh melalui cara ini maka hal tersebut dapat juga digunakan untuk memperluas interaksi antarsistem dengan baik.
2.4.1 Prinsip Umum ECoS
ECoS adalah struktur multi-level, multi-modular, dimana banyak modul yang memiliki inter-connections, dan intra-connections. Evolving connectionist system
tidak memiliki struktur multi-layer yang kosong. ECoS memiliki sebuah struktur modular terbuka (Watts and Kasabov, 2000). Fungsi ECoS berdasarkan pada prinsip-prinsip umum berikut, yaitu :
1. ECoS belajar dengan cepat dari jumlah data yang besar melalui pembelajaran
one-pass.
2. ECoS beradaptasi di online mode dimana data baru diakomodasi secara bertahap.
3. ECoS menghapalkan setiap data yang ada untuk perbaikan lebih lanjut atau untuk pencarian informasi.
4. ECoS belajar dan memperbaiki melalui interaksi yang aktif dengan sistem-sistem yang lainnya dan di lingkungan multi-modular, mode hirarkis.
2.5 Simple Evolving Connectionist System (SECoS)
Simple Evolving Connectionist System (SECoS), adalah implementasi minimalis dari prinsip ECoS. Metode simple evolving MLP disebut juga eMLP (evolving Multi Layer Perceptron). SECoS terdiri dari tiga layer neuron. Layer pertama adalah input layer
dengan linear atau fungsi transfer yang lain. Layer kedua, hidden layer adalah layer yang berkembang (evolving layer). Dan layer neuron yang ketiga adalah output layer. SECoS adalah versi sederhana dari Evolving Fuzzy Neural Network (EFuNN).
Evolving layer adalah layer yang berkembang dan beradaptasi sendiri menuju
incoming connections, aktivasi, dan algoritma propagasi maju dari seluruh evolving layer berbeda dari sistem connectionist classical (Kasabov, 2007).
Gambar 2.7 Arsitektur SECoS (Kasabov, 2007)
Jika fungsi aktivasi linear digunakan, maka aktivasi A pada lapisan evolving node n ditentukan dengan:
Dimana An merupakan nilai aktivasi pada node n dan Dn merupakan nilai normalized
distance antara input vector dengan incoming weight vector pada node tersebut. Nilai distance Dn dapat dihitung dengan menggunakan normalized Hamming distance:
Dimana K merupakan jumlah input nodes pada SECoS, I merupakan input vector, dan
2.5.1 Algoritma Simple Evolving Connectionist System
Berikut ini merupakan algoritma simple evolving connectionist system (Kasabov, 2007) :
1. Lakukan propagasi input vector I ke dalam jaringan.
2. Jika aktivasi maksimum (Amax) dari node lebih kecil dari koefisien sensitivity
threshold (Sthr), maka: a. Tambah node baru
else:
a. Hitung nilai error antara hasil prediksi (output vector Oc) dan nilai aktual (output vector Od).
b. Jika nilai error lebih besar dari koefisien error threshold (Etrh) atau
output node yang diinginkan tidak aktif, maka:
• Tambahkan node baru
else:
• Lakukan perubahan bobot koneksi pada winning hidden node.
3. Ulangi langkah tersebut untuk setiap input vector.
Ketika sebuah node ditambahkan, bobot input diberi inisialisasi sesuai dengan
input vector I dan bobot output diinisialisasi sesuai dengan output vector Od. Proses propagasi dari hidden layer ke output layer dapat dilakukan dengan dua cara. Cara pertama dengan metode propagasi One-of-N yaitu propagasi hanya dilakukan oleh
hidden node dengan nilai aktivasi tertinggi. Cara kedua dilakukan dengan metode propagasi Many-of-N yaitu propagasi hanya dilakukan oleh hidden node yang memiliki nilai aktivasi diatas activation threshold (Watt & Kasabov, 2000). Modifikasi bobot masuk pada winning node j dilakukan sesuai persamaan (2.3):
��,�(�+ 1) =��,�(�) +�1��� − ��,�(�)� (2.3)
dimana:
• ��,�(�) merupakan bobot masuk �,� pada saat (�).
• �1 merupakanlearning rate 1.
• �� merupakan komponen ke-i pada input vector I.
Sedangkan modifikasi bobot keluar dari node j dilakukan sesuai persamaan (2.4):
��,�(�+ 1) = ��,�(�) +�2��� ��� (2.4)
dimana:
• ��,�(�) merupakan bobot keluar �,� pada saat (�)
• ��,�(�+ 1) merupakan bobot masuk �,� pada saat (�+ 1)
• �2 merupakan learning rate 2
• �� merupakan nilai aktivasi dari node
2.6 Penelitian Terdahulu
Adapun beberapa penelitian terdahulu yang berkaitan dengan topik ini dapat dilihat pada Tabel 2.1.
Tabel 2.1 Penelitian Sebelumnya
No Judul Pengarang Tahun Kelebihan Kekurangan
1. Simple
2000 Hasil dari penelitian
tersebut adalah perbandingan SECoS dengan MLPs yang dilatih dengan Bootstrapped Backpropagation
menunjukkan bahwa ketika jumlah node SECoS lebih besar dari MLPs, mereka lebih adaptif, mampu mempertahankan kemampuan diskriminatif mereka bahkan setelah pelatihan lebih lanjut pada contoh yang baru.
Tabel 2.1 Penelitian Sebelumnya (Lanjutan)
No Judul Pengarang Tahun Kelebihan Kekurangan
2. Adaptive
2003 Percobaan dilakukan dengan SECoS untuk
yang baru. SECoS juga mampu mempertahankan
pengetahuan yang dipelajari sebelumnya setelah adaptasi pembicara yang baru dan
seetelah mempelajari
Tabel 2.1 Penelitian Sebelumnya (Lanjutan)
No Judul Pengarang Tahun Kelebihan Kekurangan
4. Prediksi Harga
Setiawan 2008 Konfigurasi parameter untuk pelatihan sistem prediksi menggunakan Jaringan Syaraf Tiruan terbaik yang diperoleh dari
hasil percobaan menghasilkan konfigurasi
jumlah hidden node 50, nilai learning rate 0.95, batas tahun pelatihan adalah tahun 1998, nilai momentum 0.95 dan
Hani 2014 Pada penelitian ini, data saham syariah yang digunakan adalah data Jakarta Islamic Index (JII) dari tanggal 1 Januari 2004 s.d. 31 Desember 2012 yang diperoleh dari momentum 0.1, max epoch
BAB 3
ANALISIS DAN PERANCANGAN APLIKASI
Bab ini membahas metode Simple Evolving Connectionist System pada aplikasi dan tahap-tahap yang akan dilakukan dalam perancangan aplikasi yang akan dibangun.
3.1 Identifikasi Masalah
Pada prinsipnya, produk investasi berupa saham telah sesuai dengan ajaran islam. Dalam teori percampuran, islam mengenal akad syirkah atau musyarakah yaitu kerjasama antara dua orang atau lebih pihak untu melakukan usaha, dimana setiap pihak menyetorkan sejumlah dana, barang atau jasa. Sesuai fatwa yang ada telah ditentukan bagaimana memilih saham-saham yang sesuai dengan ajaran Islam. Dalam perkembangannya juga telah banyak negara-negara yang telah menentukan batasan suatu saham dapat dikategorikan sebagai saham syariah (Bapepam, 2004). Untuk memperkuat prinsip tersebut maka Bapepam mengeluarkan peraturan yang berkenaan dengan saham syariah yaitu yakni peraturan Bapepam-LK Nomor IX.A.13 tentang penerbitan efek syariah dan II.K.1 tentang kriteria dan kenerbitan daftar efek syariah (Sutedi, 2011). Di pasar sekunder, pergerakan harga saham ditentukan oleh penawaran dan permintaan atas saham tersebut, sehingga harga saham dapat berubah setiap saat. Oleh karena itu, keputusan investasi atas tingkat keuntungan yang diharapkan (expexted return) dan tingkat resiko (risk) tergantung pada investor. Sehingga, untuk mendapat keuntungan yang lebih besar, investor harus siap menanggung resiko yang besar juga. Sebaliknya, semakin rendah resiko yang ditanggung, maka semakin rendah pula tingkat keuntungan yang diharapkan. Untuk itu, investor harus mengenali jenis-jenis saham karena masing-masing saham memilki karakteristik yang berbeda dan akan mempengaruhi tingkat pengembalian hasil yang diperoleh jika salah dalam memilih (Darmadji & Fakhruddin, 2006).
3.2 Data yang Digunakan
www.duniainvestasi.com. Seluruh data yang digunakan dalam penelitian ini berjumlah 2143 yang dapat dilihat pada Tabel 3.1.
Table 3.1 Rangkuman Data Saham Jakarta Islamic Index
No. Tanggal Open High Low Close Volume
1 02 Januari 2004 119.0 122.4 118.4 122.1 208720347136 2 03 Januari 2004 119.0 122.4 118.4 122.1 208720347136 3 04 Januari 2004 119.0 122.4 118.4 122.1 208720347136 4 05 Januari 2004 122.1 127.7 122.3 126.8 501884157952 5 06 Januari 2004 126.8 131.0 125.6 129.0 564089847808 6 07 Januari 2004 127.6 127.6 121.7 122.2 467455082496 7 08 Januari 2004 122.2 125.5 122.2 125.3 478723670016 8 09 Januari 2004 125.3 129.4 125.9 128.3 775400783872 9 10 Januari 2004 125.3 129.4 125.9 128.3 775400783872 10 11 Januari 2004 125.3 129.4 125.9 128.3 775400783872 11 12 Januari 2004 128.3 128.3 124.4 124.6 525883342848 12 13 Januari 2004 124.6 125.5 124.1 125.1 420180688896 13 14 Januari 2004 125.1 127.1 124.7 126.8 400005824512 14 15 Januari 2004 126.8 128.2 126.3 127.0 474310508544 15 16 Januari 2004 127.0 128.8 127.0 128.8 499566051328
2139 27 Desember 2012 588.03 591.87 587.01 590.46 1285762580480 2140 28 Desember 2012 593.41 595.36 590.59 594.79 2003944472576 2141 29 Desember 2012 593.41 595.36 590.59 594.79 2003944472576 2142 30 Desember 2012 593.41 595.36 590.59 594.79 2003944472576 2143 31 Desember 2012 593.41 595.36 590.59 594.79 2003944472576
Gambar 3.1 Grafik Harga Saham Jakarta Islamic Index (JII) (Hani, 2014)
Data akan dikelompokkan menjadi data pelatihan dan data pengujian. Data pelatihan yang digunakan adalah data harian harga saham JII dari tanggal 1 Januari 2004 s.d. 31 Desember 2010. Sedangkan untuk data testing yang digunakan adalah data saham JII tanggal 1 Januari 2011 s.d. 31 Desember 2012.
3.3 Analisis Sistem dengan Metode SECoS
Aplikasi prediksi harga saham syariah yang dibangun bertujuan untuk membuktikan keakuratan hasil prediksi harga saham tersebut. Data yang digunakan untuk memprediksi harga tersebut menggunakan data time series yang lalu. Adapun bagan dari aplikasi ini akan ditampilkan pada Gambar 3.2.
0
Gambar 3.2 Arsitektur dari SECoS
Tahapan pada prediksi saham syariah ini dibagi menjadi 3 tahap yaitu tahap normalisasi, training, dan testing.
3.3.1 Tahap Normalisasi Data
Tahapan normalisasi data adalah tahap untuk membuat data yang akan diolah berada pada range tertentu, agar pada pemrosesan data angka yang akan diolah tidak terlalu besar. Proses normalisasi dimulai dengan mencari nilai maksimum dan minimum untuk setiap data yang akan dinormalisasi. Kemudian memasukkan data yang dibutuhkan kedalam persamaan (3.1) untuk mendapatkan nilai dari normalisasi data. Normalisasi data yang telah diambil pada range dari 0,1 s/d 0,9 berdasarkan persamaan (3.1). Adapun rumus untuk melakukan normalisasi data pada range 0,1 sampai 0,9 adalah sebagai berikut (Hani, 2014):
�= 0,8 (� − �)
� − � + 0,1 (3.1)
dimana:
y = nilai normalisasi
x = nilai data saham
a = nilai minimum dari data saham
Flowchart dari normalisasi data dapat dilihat pada gambar 3.3.
START
Min_d = minimum(data)
Max_d = maximum(data)
i=0
i < total_data
Normalisasi_data(i) = ((0.8 * (data(i) – min_d)) / (max_d – min_d)) + 0.1
TRUE
i++
SELESAI
FALSE
Gambar 3.3 Flowchart Normalisasi Data
3.3.2 Tahap Training Data
Tahapan dari proses training atau pelatihan adalah tahapan melatih data saham syariah dahulu agar memperoleh bobot yang akan digunakan untuk proses memprediksi harga saham syariah di masa yang akan datang. Tahapan pelatihan adalah sebagai berikut :
1. Memasukkan data saham JII yang akan diprediksi.
2. Menginputkan interval hari untuk kebutuhan prediksi (interval antara tanggal acuan dengan tanggal target prediksi).
3. Menginputkan rentang tanggal data pelatihan (data untuk pelatihan dimulai dari tanggal ini).
START
Gambar 3.4 Flowchart Generate Vector Pelatihan
5. Menginputkan data parameter pelatihan (sensitivity threshold, error threshold, learning rate 1, dan learning rate 2).
6. Ambil seluruh data yang digenerate dari rentang tanggal sesuai tanggal yang dipilih dari dalam database sebagai data training.
7. Membuat layer pertama dan node-node nya (r1) dan menginialisasikan bobot input Wi,1 sesuai input vector I dan bobot output W1,p sesuai output vector Od. 8. Untuk setiap data training, hitung nilai aktivasi untuk dari setiap node yang ada
dengan menggunakan persamaan (2.1).
9. Cari node pada evolving layer yang memiliki nilai aktivasi lebih besar dari parameter sensitivity threshold. Jika terdapat node yang memiliki nilai aktivasi lebih besar dari parameter sensitivity threshold, maka lakukan propagasi data ke
output layer. Jika tidak ada, maka buat node baru, update nilai bobotnya Wi,j dan
Wj,p, dan kembali ke langkah (7).
10. Hitung nilai error dari output layer. Jika nilai error lebih besar dari parameter
error threshold, maka buat node baru dan kembali ke langkah (7). Jika nilai error
lebih kecil dari parameter error threshold, maka lakukan perubahan nilai bobot
START
3.3.3 Tahap Testing Data
Tahapan dari proses testing atau pengujian adalah tahapan dimana bobot yang telah diperoleh dari proses pelatihan diuji untuk memprediksi harga saham syariah di masa yang akan datang. Tahapan pelatihan adalah sebagai berikut :
1. Menginputkan interval hari untuk kebutuhan prediksi (interval antara tanggal acuan dengan tanggal target prediksi).
2. Menginputkan rentang tanggal data pengujian (data untuk pelatihan dimulai dari tanggal ini).
3. Generate vector pengujian. Vector ini merupakan kumpulan pasangan input dan output yang akan diproses didalam jaringan SECoS. Flowchart dari generate vector dapat dilihat pada gambar 3.6.
START
Gambar 3.6 Flowchart Generate Vector Pengujian
4. Ambil seluruh data yang digenerate dari rentang tanggal sesuai tanggal yang dipilih dari dalam database sebagai data testing.
5. Untuk setiap data testing, hitung nilai aktivasi untuk dari setiap node yang ada dengan menggunakan persamaan (2.1).
7. Lakukan proses denormalisasi data. Denormalisasi data adalah proses dimana mengembalikan data pada nilai yang sebenarnya setelah data masukan yang telah dinormalisasi diproses dan diperoleh hasil prediksi dengan menggunakan persamaan (3.2) berikut:
�= (� −0,1)(� − �) + 0,8�
0,8 (3.2)
dimana:
y = nilai hasil prediksi
x = nilai hasil denormalisasi
a = nilai minimum dari data saham
b = nilai maximum dari data saham
Flowchart dari denormalisasi data dapat dilihat pada gambar 3.7.
START
Min_d = minimum(data)
Max_d = maximum(data)
i=0
i < total_data
Denormalisasi_data(i) = (((data(i) – 0.1) * (Max_d –
Min_d)) + (0.8 * Min_d)) / 0.8
TRUE
i++
SELESAI
FALSE
8. Hitung besar kesalahan prediksi dengan menggunakan MAPE (Mean Absolute Percentage Error). Persamaan yang digunakan adalah sebagai berikut:
����= ∑ �
|�−�|
� �
� × 100% (3.3)
dimana:
a = data sebenarnya
b = data prediksi
3.4 Perancangan Aplikasi
3.4.1 General Architecture
General Architecture dari keseluruhan aplikasi yaitu sebagai berikut.
Gambar 3.9 General Architecture
Penjelasan dari General Architecture diatas adalah sebagai berikut :
1. Selisih hari peramalan
yang diminta tidak tersedia maka akan kembali pada proses pelatihan untuk memperoleh bobot yang diinginkan.
2. Pelatihan
Pada proses ini dilakukan pelatihan terhadap data-data saham syariah dari tanggal 1 Januari 2004 s.d 31 Desember 2010. Data-data tersebut akan diproses menggunakan metode SECoS untuk mendapatkan bobot yang tepat yang akan digunakan untuk memprediksi harga saham syariah di waktu yang akan datang.
3. Database Bobot
Database ini berisi kumpulan bobot berdasarkan selisih hari peramalan. Bobot yang telah diperoleh pada proses pelatihan akan disimpan pada database bobot tersebut.
4. Pengujian
Pada proses ini dilakukan pengujian terhadap data-data saham syariah dari tanggal 1 Januari 20011 s.d 31 Desember 2012. Data-data tersebut akan diuji menggunakan bobot yang telah diperoleh sebelumnya pada proses pelatihan untuk mendapatkan hasil prediksi saham syariah yang tepat dan akurat.
3.4.2 Use Case Diagram
Gambar 3.10 Use case Diagram
3.4.3 Use Case Spesification
Use case spesification merupakan pengembangan dari use case diagram untuk setiap
use case yang ada dan untuk menjelaskan bagaimana use case tersebut bekerja. Tabel
Tabel 3.2 Use Case Spesifikasi untuk Use Case Pengaturan Data
Tipe Use Case Penjelasan
Nama Use Case Pengaturan Data
Aktor User
Deskripsi Use case ini digunakan oleh aktor untuk pengaturan data saham syariah.
Pre condition -
Characteristic of activation
Eksekusi dapat dilakukan oleh user.
Basic flow Aktor memilih menu file.
Aplikasi menampilkan menu-menu yang ada dimenu file, pilih pengaturran data.
Aktor melakukan pengaturan data saham syariah yaitu menginputkan harga saham syariah (open, high, low, close) dan volume, lalu tekan tombol simpan.
Use case ini berakhir ketika aplikasi telah selesai menampilkan semua data saham syariah.
Alternative flow -
Post condition Pada use case ini user dapat mengubah data saham syariah.
Limitations -
Tabel use case spesification untuk use case Pelatihan Data dapat dilihat pada tabel 3.3
Tabel 3.3 Use Case Spesifikasi untuk Use Case Pelatihan Data
Tipe Use Case Penjelasan
Nama Use Case Pelatihan Data
Aktor User
Deskripsi Use case ini digunakan oleh aktor untuk melatih data saham syariah.
Pre condition -
Characteristic of activation
Eksekusi dapat dilakukan oleh user.
Basic flow Aktor memilih menu file.
Aplikasi menampilkan menu-menu yang ada dimenu file, pilih pelatihan data.
Aktor melakukan pelatihan data saham syariah untuk mendapatkan bobot yang dibutuhkan.
Use case ini berakhir ketika aplikasi telah selesai memproses data saham syariah dan mendapatkan bobot yang tepat.
Alternative flow -
Post condition Pada use case ini user dapat melatih data saham syariah.
Tabel use case spesification untuk use case Pengujian Data dapat dilihat pada tabel 3.4.
Tabel 3.4 Use Case Spesifikasi untuk Use Case Pengujian Data
Tipe Use Case Penjelasan
Nama Use Case Pengujian Data
Aktor User
Deskripsi Use case ini digunakan oleh aktor untuk menguji data saham syariah untuk memperoleh hasil prediksi harga saham syariah.
Pre condition -
Characteristic of activation
Eksekusi dapat dilakukan oleh user.
Basic flow Aktor memilih menu file.
Aplikasi menampilkan menu-menu yang ada dimenu file, pilih pengujian data.
Aktor melakukan pengujian data saham syariah untuk memperoleh hasil prediksi harga saham syariah yang diinginkan.
Use case ini berakhir ketika aplikasi telah selesai memproses data saham syariah dan mendapatkan hasil prediksi harga saham tersebut.
Alternative flow -
Post condition Pada use case ini user dapat menguji data saham syariah.
Limitations -
Tabel use case spesification untuk use case Prediksi dapat dilihat pada tabel 3.5.
Tabel 3.5 Use Case Spesifikasi untuk Use Case Prediksi
Tipe Use Case Penjelasan Nama Use Case Prediksi
Aktor User
Deskripsi Use case ini digunakan oleh aktor untuk memprediksi data saham syariah
Pre condition -
Characteristic of activation
Eksekusi dapat dilakukan oleh user.
Basic flow Aktor memilih menu file.
Aplikasi menampilkan menu-menu yang ada dimenu file, pilih prediksi.
Tabel 3.5 Use Case Spesifikasi untuk Use Case Prediksi (Lanjutan)
Tipe Use Case Penjelasan
Basic flow hasil prediksi harga saham syariah yang diinginkan.
Use case ini berakhir ketika aplikasi telah selesai memproses data saham syariah dan mendapatkan hasil prediksi harga saham tersebut.
Alternative flow -
Post condition Pada use case ini user dapat memprediksi saham syariah.
Limitations -
3.4.4 Class Diagram
Class diagram menjelaskan jenis-jenis objek dalam sistem dan berbagai macam hubungan statis yang terjadi (Fowler, 2005). Class diagram menggambarkan struktur dan deskripsi class, package dan objek beserta hubungan satu sama lain seperti
containment, pewarisan, asosiasi, dan lain-lain. Sebuah class memiliki 3 area pokok yaitu nama, atribut, dan metoda (operasi). Class dapat merupakan implementasi dari sebuah interface, yaitu class abstrak yang hanya memiliki metoda. Class diagram dari aplikasi yang dibangun dapat dilihat pada gambar 3.11.
3.4.5 Activity Diagram
Activity diagrams menggambarkan berbagai alir aktivitas dalam sistem yang sedang dirancang, bagaimana masing-masing alir berawal, decision yang mungkin terjadi, dan bagaimana mereka berakhir. Activity diagram juga dapat menggambarkan proses paralel yang mungkin terjadi pada beberapa eksekusi. Sebuah aktivitas dapat direalisasikan oleh satu use case atau lebih. Aktivitas menggambarkan proses yang berjalan, sementara use case menggambarkan bagaimana aktor menggunakan sistem untuk melakukan aktivitas (Dharwiyanti & Wahono, 2003).
1. Activity Diagram Pengaturan Data
Pada activity diagram pengaturan data, user dapat melakukan pengaturan data dengan mengklik pengaturan data pada menu. Kemudian aplikasi tersebut akan menampilkan halaman pengaturan data. User dapat melihat data sesuai range tanggal yang diinginkan. User dapat melakukan beberapa aktivitas yaitu menambah, mengedit, dan menghapus data. Kemudian aplikasi tersebut akan memproses aktivitas yang diinginkan user.
2. Activity Diagram Pelatihan Data
Pada activity diagram pelatihan data, user dapat melatih data dengan mengklik menu pelatihan data. Kemudian aplikasi tersebut akan menampilkan halaman pelatihan data.
User dapat melatih data dengan menginput interval hari dan parameter pelatihan. Aplikasi akan memproses data dengan membentuk input dan output vektor, kemudian mempropagasi masing-masing input vektor. Setelah itu, mempropagasi jaringan SECoS, mencari error terendah, menyimpan bobot terbaik hasil pelatihan, menghitung MAPE dan waktu pelatihan, dan menampilkan data hasil pelatihan.
Gambar 3.13 Activity Diagram Pelatihan Data
3. Activity Diagram Pengujian Data
Aplikasi akan memproses data dengan menggunakan bobot terbaik hasil pelatihan, kemudian mempropagasi jaringan SECoS pada data pelatihan, menghitung MAPE dan waktu pengujian, dan menampilkan data hasil pengujian.
Gambar 3.14 Activity Diagram Pengujian Data
4. Activity Diagram Prediksi
Gambar 3.15Activity Diagram Prediksi
3.4.6 Rancangan Menu Sistem
Sistem prediksi harga saham syariah ini hanya memilki tiga menu utama yaitu menu pengaturan data, pelatihan data, dan pengujian data. Rancangan menu tersebut dapat dilihat pada gambar 3.16.
3.4.7 Perancangan Antarmuka
Perancangan antarmuka dibuat untuk menampilkan gambaran umum tampilan dari setiap halaman pada sistem yang akan dibangun.
3.4.7.1 Rancangan Halaman Pengaturan Data
Pada halaman ini, user dapat melakukan pengaturan data saham syariah. User harus memasukkan data-data tersebut yaitu harga open, high, low, close, dan volume saham agar dapat diproses pada pelatihan data.
Gambar 3.17 Pengaturan Data (Input Data Saham)
Keterangan :
1. User menginputkan data saham berupa harga open, high, low, close, dan volume saham kemudian klik tombol “Simpan”, dan data akan tersimpan didalam
database dan otomatis akan ternormalisasi.
Keterangan lanjutan :
2. User memilih range tanggal data saham yang ingin dilihat.
3. User kemudian mengklik tombol “Search”, dan data akan tampil didalam tabel seperti gambar 3.18.
4. Jika User ingin menambah data saham klik tombol “Tambah”.
3.4.7.2 Rancangan Halaman Pelatihan Data
Halaman pelatihan data ini, User dapat melatih data pelatihan untuk mendapatkan bobot yang sesuai yang akan digunakan untuk pengujian data.
Gambar 3.19 Pelatihan Data
Keterangan :
1. User menginputkan interval hari yang akan dilatih dan parameter pelatihan yaitu
sensitivity threshold, error threshold, learning rate 1, learning rate 2, dan menginputkan rentang tanggal data pelatihan (data untuk pelatihan dimulai dari tanggal ini).
3.4.7.3 Rancangan Halaman Pelatihan Data
Pada halaman pengujian data, User dapat menguji data pengujian dengan menggunakan bobot yang telah diperoleh dari hasil pelatihan sebelumnya untuk memperoleh hasil prediksi harga saham syariah.
Gambar 3.20 Pengujian Data
Keterangan :
1. User menginputkan interval hari yang akan yang akan diuji sesuai interval hari pada pelatihan sebelumnya dan menginputkan rentang tanggal data pelatihan (data untuk pengujian dimulai dari tanggal ini).
2. Kemudian klik tombol “generate data pengujian” untuk mendapatkan hasil pengujian harga saham.
3. Klik tombol “tampilkan dalam chart” untuk menampilkan hasil pengujian dalam
bentuk grafik.
3.4.7.4 Rancangan Halaman Prediksi
prediksi ini dapat menggunakan data hari ini untuk memprediksi harga saham selanjutnya sesuai permintaan interval hari yang diinginkan.
BAB 4
IMPLEMENTASI DAN PENGUJIAN APLIKASI
Pada bab ini akan dijelaskan tentang proses pengimplementasian metode Simple Evolving Connectionist System (SECoS) pada sistem, sesuai perancangan aplikasi yang telah dilakukan di Bab 3 serta melakukan pengujian aplikasi yang telah dibangun.
4.1 Implementasi
Pada tahap ini, metode Simple Evolving Connectionist System (SECoS) akan diimplementasikan ke dalam aplikasi prediksi harga saham dengan menggunakan bahasa pemrograman VB.NET dan database MySQL sesuai perancangan yang telah dilakukan.
4.1.1 Spesifikasi Hardware dan Software yang digunakan
Spesifikasi hardware dan software yang digunakan untuk membangun sistem ini adalah sebagai berikut:
1. Prosesor Intel®CoreTM i3 CPU M370 2.40 GHz. 2. Kapasitas hardisk 300 GB.
3. Memori RAM yang digunakan 1.00 GB. 4. Visual Studio 2010.
5. Sistem operasi yang digunakan adalah Microsoft Windows 7. 6. Web server yang digunakan adalah XAMPP.
7. Database MySQL
4.1.2 Implementasi Perancangan Antarmuka
1. Halaman Awal Sistem
Halaman awal adalah tampilan awal dari semua menu yang ada. Halaman tersebut terdiri dari 3 menu yaitu menu pengaturan data, pelatihan, dan pengujian. Dapat dilihat pada Gambar 4.1.
Gambar 4.1 Halaman Awal Sistem
2. Halaman Pengaturan Data
Halaman pengaturan data merupakan halaman untuk menginputkan data saham syariah berupa harga open, high, low, close, dan volume pada form yang telah disediakan. Halaman pengaturan data tersebut dapat dilihat pada Gambar 4.2.
Gambar 4.2 Halaman Pengaturan Data
Gambar 4.3 Tampilan Input Harga Saham
Klik tombol simpan untuk menyimpan dan data akan ternormalisasi secara otomatis dan tersimpan ke database.
3. Halaman Pelatihan Data
Halaman pelatihan data ini adalah halaman untuk melatih data saham syariah yang ada. Halaman inilah memperoleh bobot yang sesuai untuk tahap selanjutnya yaitu pengujian. Halaman pelatihan data tersebut dapat dilihat pada Gambar 4.4.
User dapat melakukan pelatihan data dengan menginputkan interval hari yang diinginkan, tanggal data yang akan dilatih dan parameter pelatihan. Halaman pelatihan data tersebut dapat dilihat pada Gambar 4.4.
4. Halaman Pengujian Data
Halaman pengujian data merupakan halaman untuk menguji data saham syariah yang ada dengan menggunakan bobot yang telah diperoleh dari pelatihan data sebelumnya. User dapat melakukan pengujian data dengan memilih interval hari yang diinginkan dan tanggal data yang akan diuji. Halaman pengujian data tersebut dapat dilihat pada Gambar 4.5.
Gambar 4.5 Tampilan pengujian data
Pengguna dapat menampilkan hasil pengujian dalam bentuk grafik. Gambar 4.6 menunjukkan grafik dari data yang telah diuji.
5. Halaman Prediksi
Halaman prediksi adalah halaman untuk memprediksi harga saham per hari. User
menginputkan data saham hari ini, kemudian akan dinormalisasi. User memilih interval hari yang akan diprediksi kemudian aplikasi akan menampilkan hasil prediksi harga saham syariah.
Gambar 4.7 Tampilan Prediksi
4.1.3 Implementasi Data
Adapun data saham yang akan digunakan pada aplikasi ini adalah data saham Jakarta Islamic Index (JII) dari tanggal 1 Januari 2004 s.d 31 Desember 2012 yang diperoleh dari www.duniainvestasi.com. Seluruh data yang digunakan untuk penelitian ini berjumlah 2143 yang dapat dilihat pada Tabel 4.1.
Table 4.1 Data Saham Jakarta Islamic Index
No. Tanggal Open High Low Close Volume
Table 4.1 Data Saham Jakarta Islamic Index (Lanjutan)
No. Tanggal Open High Low Close Volume
7 08 Januari 2004 122.2 125.5 122.2 125.3 478723670016 8 09 Januari 2004 125.3 129.4 125.9 128.3 775400783872 9 10 Januari 2004 125.3 129.4 125.9 128.3 775400783872 10 11 Januari 2004 125.3 129.4 125.9 128.3 775400783872 11 12 Januari 2004 128.3 128.3 124.4 124.6 525883342848 12 13 Januari 2004 124.6 125.5 124.1 125.1 420180688896 13 14 Januari 2004 125.1 127.1 124.7 126.8 400005824512 14 15 Januari 2004 126.8 128.2 126.3 127.0 474310508544 15 16 Januari 2004 127.0 128.8 127.0 128.8 499566051328
2139 20 Desember 2012 588.03 591.87 587.01 590.46 1285762580480 2140 21 Desember 2012 593.41 595.36 590.59 594.79 2003944472576 2141 26 Desember 2012 593.41 595.36 590.59 594.79 2003944472576 2142 27 Desember 2012 593.41 595.36 590.59 594.79 2003944472576 2143 28 Desember 2012 593.41 595.36 590.59 594.79 2003944472576
4.2 Pengujian
Pengujian bertujuan untuk memastikan bahwa komponen-komponen atau elemen-elemen dari aplikasi telah berfungsi sesuai dengan yang diharapkan (Hani, 2014). Hal ini dilakukan dengan menguji apakah aplikasi tersebut telah memenuhi functional requirement dan non-functional requirement. Metode black box atau functional testing
adalah metode pengujian yang diterapkan pada penelitian ini. Pengujian metode black box tidak dilakukan pada source code, tapi hanya berfokus pada kebutuhan fungsional aplikasi berdasarkan input dan output dari aplikasi tersebut (Sommerville, 2004).
4.2.1 Rencana Pengujian Aplikasi
Tabel 4.2 Rencana Pengujian
No. Komponen sistem yang diuji Butir Uji
1. Halaman Pengaturan Data Tombol “FILTER”
Tombol “TAMBAH DATA” 2. Halaman Pelatihan Data Tombol “GENERATE DATA
PELATIHAN”
3. Halaman Pengujian Data Tombol “GENERATE DATA PENGUJIAN”
Tombol “TAMPILKAN DALAM CHART”
4. Halaman Prediksi Tombol “LANJUT KE STEP 2” Tombol “BALIK KE STEP 1” Tombol “LANJUT KE STEP 3” Tombol “PREDIKSI”
Tombol “RESET”
4.2.2 Kasus dan hasil pengujian aplikasi
Adapun kasus dan hasil pengujian sistem dengan menggunakan teknik black box
berdasarkan tabel 4.2 tersebut dapat dilihat pada Tabel 4.3.
Tabel 4.3 Hasil Pengujian
No.
Komponen sistem yang
diuji
Scenario uji Hasil yang diharapkan Hasil pengujian
1. Pengaturan diinputkan lalu tekan tombol
Filter, maka aplikasi akan
mencari data yang diinputkan dan akan menampilkan data tersebut pada bagian tabel
Tabel 4.3 Hasil Pengujian (Lanjutan)
No.
Komponen sistem yang
diuji
Scenario uji Hasil yang diharapkan Hasil pengujian
data saham. Menekan tombol
Tambah
Ketika user ingin menambahkan data saham baru dan menekan tombol
Tambah, kemudian aplikasi
akan menampilkan form data
Ketika user menginputkan interval hari, tanggal, dan parameter pelatihan data lalu menekan tombol Generate
data pelatihan, maka
aplikasi akan melakukan pelatihan dan menampilkan hasil pelatihan ke bagian tabel pelatihan.
Ketika user memilih interval hari dan tanggal pengujian datalalu menekan tombol
Generate data pengujian,
maka aplikasi akan melakukan pengujian dan menampilkan hasil pengujian ke bagian tabel pengujian.
Berhasil
Menekan tombol
Tampilkan dalam chart
Ketika user menekan tombol
Tampilkan dalam chart,
maka aplikasi menampilkan hasil pengujian dalam bentuk grafik.
Berhasil
4. Prediksi Menginputkan data saham hari ini lalu
tekan tombol
Lanjut ke step 2
Ketika user menginputkan data saham lalu tekan tombol
Lanjut ke step 2, maka
aplikasi akan menormalisasi data yang diinputkan dan akan menampilkan data tersebut pada form normalisasi.
