PREDIKSI NILAI SAHAM MENGGUNAKAN METODE ROUGH ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (RANFIS)

(1)

PREDIKSI NILAI SAHAM MENGGUNAKAN METODE ROUGH ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (RANFIS)

Lihardo Ranjaliba. S¹, Warih Maharani², Moch Arif Bijaksana³

¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom

Abstrak

Nilai saham merupakan nilai yang sangat krusial untuk diolah dan diprediksi karena merupakan nilai yang berbanding dengan kerugian dan keuntungan dari pihak penanam modal. Dikarenakan proses komputasi saat ini dapat melakukan proses analisa selayaknya manusia melalui komputasi soft computing, maka metode soft computing ini menjadi semakin banyak digunakan untuk mempelajari dan menganalisa data. Dalam Tugas Akhir ini digunakan metode Rough Adaptive Neuro-Fuzzy inference System sebagai sistem soft computing yang digunakan untuk mempelajari dan memprediksi nilai saham penutupan Dow Jones New York dari data set yang tersedia sejak tahun 1985 hingga 2002. Rough adaptive neuro-Fuzzy Inference System (RANFIS) merupakan salah satu metode hybrid yaitu gabungan dari beberapa metode dengan model penggabungan yang tidak terpisah dan berada dalam suatu gabungan kesatuan yang saling mendukung, dalam hal ini digunakan jaringan syaraf tiruan sebagai metode utama yang menggabungkan kombinasi antara teori rough set, sistem fuzzy dan jaringan syaraf tiruan sendiri , adapun sistem ini sendiri memiliki berbagai parameter yang berperan dalam menghasilkan evaluasi prediksi yang cukup baik

Kata Kunci : prediksi, soft computing, hybrid, JST, Fuzzy, Evaluasi.

Abstract

Price of stocks represents the krusial value to be processed and predicted, this because the prediction representing value comparing with the loss and advantage for investor.Nowadays computing process can process analyse like human being through process call soft computing, hence this method soft computing become more and more used to learn and analyse data. This Final Project used method of Rough Adaptive Neuro-Fuzzy inference System as system of soft computing used to learn and predict the price of stocks of closing at Dow Jones New York from data set available since year 1985 till 2002. Rough Adaptive neuro-Fuzzy Inference System (RANFIS) represent one of method hybrid that is merger from some method with the affiliation model which is not apart and stay in a union merge which is supporting each other, in this case used a artificial neural network as especial method joining combination of theory rough set the, system of fuzzy and artificial nerve network, This system have various parameter which playing a part in to yield the good enough evaluation prediksi.

Keywords : prediction, soft computing, hybrid, artificial neural network, Fuzzy, evaluation

Powered by TCPDF (www.tcpdf.org)

Fakultas Teknik Informatika Program Studi S1 Teknik Informatika

(2)

1

1. Pendahuluan

1.1 Latar belakang

Nilai saham merupakan nilai yang sangat krusial dan penting untuk diolah dan diprediksi, karena nilainya yang bisa mendatangkan keuntungan maupun kerugian dalam skala besar bagi siapa saja yang menanamnya dalam bursa saham, tergantung benar tidaknya hasil prediksi dan besar kecilnya saham yang ditanam, karena itulah diperlukan suatu analisis yang baik terhadap pergerakan data, dalam hal ini data saham

Dalam mempelajari data saham dilakukan suatu analisis prediksi dalam investasi. Prediksi dengan Soft Computing merupakan pilihan yang sangat menarik, diharapkan dengan menggunakan teknik ini sebuah mesin dapat berfikir, belajar dan mengambil keputusan layaknya otak seorang manusia dalam menghadapi dan memprediksi data yang sangat banyak. Adapun ide dari sistem yang dibangun dari sistem ini adalah penggunaan sinergi metode dari neuro dan fuzzy, dengan menambahkan dimensi lain pada kombinasinya yaitu Rough Set yang berdasarkan prinsip klasifikasi dalam suatu rangkaian hybrid. Rangkaian Jaringan Syaraf Tiruan berbasis neuron rough yang dibuat diharapkan memiliki kemampuan learning berdasarkan data-data masukan terhadap nilai saham masa mendatang, dan membantu sistem fuzzy dalam menentukan rule yang terbaik dalam memprediksi data, sedangkan rough set sendiri akan mengklasifikasikan data acak yang melewatinya. Metode RANFIS ini diharapkan akan dapat menemukan suatu pola perubahan tertentu, dan akan selalu belajar dari kesalahan atau error sebelumnya, sehingga akan didapatkan nilai akurasi yang sangat baik.

1.2 Perumusan masalah

Permasalahan yang dihadapi dalam prediksi nilai saham dengan metode Rough Adaptif Neuro Fuzzy Inference System adalah sebagai berikut :

1. Dataset, yaitu data nilai saham yang akan digunakan dalam prediksi, dengan acuan berupa tipe dan waktu.

2. Menganalisis dan mengimplementasikan penggunaan teori rough set dalam menghasilkan neuron rough pada algoritma Jaringan syaraf tiruan dalam melatih dataset dan melakukan proses adaptif dalam menghasilkan fungsi keanggotaan. Analisa rough set ini berupa : desain jaringan, fungsi node dan faktor pembangkitnya. Sedangkan analisa JST nya berupa : arsitektur jaringan dan parameter estimasinya.

3. Menganalisis dan mengimplementasikan penggunaan algoritma fuzzy dalam menggunakan rule (aturan) dan fungsi anggota dalam rangkaian neuron JST.

4. Menganalisis dan mengimplementasikan penggunaan perhitungan rough set theory pada fungsi keanggotaan fuzzy [14].

5. Menganalisis hasil error dalam proses training, validasi dan testing maupun perubahan parameter JST selama training dengan analisis error RMSE.

Tugas Akhir - 2008

(3)

2 Dalam penelitian Tugas Akhir, agar tidak menyimpang dari esensi yang dituju maka batasan masalah yang menjadi objek dalam tugas akhir ini adalah :

1. Data yang digunakan merupakan data saham penutupan (close) Dow Jones berupa data bertipe numerik dengan acuan waktu perhari kerja, mulai dari tahun 1985 hingga 2002, yang diperoleh dari http://lib.stat.cmu.edu/datasets/, data terlampir.

2. Prediksi yang dilakukan tidak melibatkan faktor-faktor penentu berubahnya nilai tukar seperti politik, keamanan, dan lain-lain. Dataset yang digunakan dianggap telah menyimpan atau membawa faktor-faktor tersebut secara implisit [11][15].

3. Sistem ini akan dibangun dengan Matlab 7.2 sebagai bahasa pemrograman berbasis matriks.

1.3 Tujuan

Tujuan dari pembuatan Tugas Akhir ini adalah :

a) Mengimplementasikan RANFIS dalam memprediksi, berdasarkan dataset yang diberikan.

b) Membuktikan kemampuan learning dari algoritma jaringan syaraf tiruan dalam mempelajari dataset yang diberikan.

c) Membuktikan bahwa algoritma fuzzy dapat menghasilkan hasil prediksi yang halus dan bisa bersifat adaptif karena menggunakan rule atau aturan yang berasal dari komputasi learning jaringan syaraf tiruan.

d) Melakukan percobaan dengan melakukan training terhadap data set serta melakukan analisis terhadap akurasi dan error prediksi terhadap hasil percobaan.

e) Membuktikan kemampuan rough set yang dapat menurunkan nilai error pada output fungsi keanggotaan jaringan syaraf tiruan, dengan cara mengim-plementasikannya pada jaringan syaraf tiruan dalam bentuk neuron rough.

f) Menghitung selisih antara data yang telah ada sebelumnya dengan data nilai saham hasil prediksi yang dihasilkan oleh sistem.

1.4 Metodologi penyelesaian masalah

Metodologi penelitian yang digunakan dalam pembuatan tugas akhir ini adalah sebagai berikut :

1. Studi Pustaka. Melakukan studi pustaka dengan membaca dan mempelajari teori yang berkaitan dengan saham, Fuzzy System, Rough Set Theory, Neural network (jaringan syaraf tiruan) dengan backpropagation dan berbagai teori berkaitan dengan penggabungan dan sinergi dari semua metode tersebut. Studi pustaka ini dimaksudkan untuk mempelajari konsep dan teori yang mendukung proses pembuatan, pengembangan dan penyempurnaan suatu sistem prediksi yang baik.

2. Pengumpulan Data. Meliputi pengumpulan dataset uji berupa data nilai saham yang dibutuhkan, data tersebut adalah data saham Dow Jones berupa data dengan tipe numerik dengan acuan waktu perhari kerja, mulai dari tahun 1985 hingga oktober 2002, yang diperoleh dari internet, serta berbagai paper

(4)

3 yang berhubungan serta algoritma yang sudah ada (fuzzy system, jaringan syaraf tiruan dan rough set theory) untuk diimplementasikan.

3. Analisa Kebutuhan dan Perancangan Desain System. Meliputi analisis data hasil uji coba berbagai algoritma penunjang yang sudah ada, yaitu fuzzy system, jaringan syaraf tiruan dan rough set theory, kemudian dilanjutkan dengan pembuatan model konseptual algoritma baru yang merupakan penggabungan dari metode-metode yang sudah ada tersebut.

4. Desain Perangkat Lunak. dengan metode rekayasa perangkat lunak yang meliputi analisis, perancangan, coding, dan pengujian perangkat lunak.

Pengujian perangkat lunak dilakukan dengan memproses data-data saham tertentu pada suatu waktu, lalu membandingkan hasil keluaran sistem dengan keadaan saham yang sebenarnya.

5. Implementasi. Mengimplementasikan desain perangkat lunak, secara fixed kedalam bahasa pemrograman Matlab 7.2 untuk menghasilkan sebuah aplikasi prediksi nilai saham dengan berlandaskan metode RANFIS.

6. Testing dan analisa hasil. Melakukan testing pada perangkat lunak dan menganalisa hasil algoritma RANFIS terhadap dataset yang digunakan.

7. Refinement. Melakukan perbaikan apabila pada tahap testing terdapat berbagai macam error.

(5)

40

5. Kesimpulan dan Saran

5.1 Kesimpulan

1. Hasil peramalan atau prediksi nilai saham penutupan 1 hari ke depan adalah 34.2818.

2. Fungsi keanggotaan Fuzzy dapat mengakomodasi sinyal JST dalam proses Trainingnya, dengan menggunakan fungsi keanggotaan tersebut sebagai fungsi aktivasi yang melakukan proses FIS pada tiap layernya. Perhitungan rough set secara perumusan dapat mengurangi nilai sinyal acak.

3. Setelah dilakukan percobaan Training dan testing, error training terkecil pada fungsi keanggotaan bell (error 1.4449), dan error testing terkecil pada fungsi keanggotaan bell (error 0.9836). Performansi RANFIS berada pada nilai terbaik dengan fungsi keanggotaan bell.

4. Setelah dilakukan percobaan Training dan testing, error training terbesar pada fungsi keanggotaan trapesium (error 5.1242), dan error testing terbesar pada fungsi keanggotaan trapesium (error 8.3445). Performansi RANFIS berada pada nilai terburuk dengan fungsi keanggotaan trapesium.

5. Jaringan akan optimal pada epoch 300 (sesuai lampiran 3), sedangkan parameter error goal bernilai 0 (berdasarkan pengujian perubahan error goal).

6. Jaringan RANFIS yang merupakan suatu hybrid dalam softcomputing yang melibatkan jaringan syaraf tiruan, sistem fuzzy dan Rough Set, mampu membangun suatu sistem peramalan yang baik dengan performansi yang dihasilkan dalam RMSE yaitu 0.9836.

5.2 Saran

1. Dapat dilakukan pengembangan untuk melakukan peramalan time series dengan mencoba jumlah data series yang berbeda, error goal dan epoch yang variatif untuk mendapatkan performansi yang diharapkan.

2. Pengujian dapat menggunakan jenis fungsi keanggotaan lain yang kurang umum digunakan seperti : Gaussian2, Pi-shaped, S-shaped, Z-shaped dan lain-lain

3. Karena sistem melakukan learning berdasarkan data time series maka sebaiknya ada peride pelatihan berkala dengan data inputan baru pada sistem, agar kehandalan prediksi selalu baik.

(6)

41

Daftar Pustaka

[1] Chandana Sandeep, 2006, RANFIS: Rough Adaptive Neuro-Fuzzy Inference System, International Journal of Computational Intelligence, World Enformatika Society.

[2] Fu Limin, 1994, Neural Networks in Computer Intelligence, McGraw- Hill: Singapore.

[3] http://www.mathworks.com.

[4] J. S. R. Jang, 1997, Neuro-fuzzy and Soft Computing, USA, Prentice- Hall.Inc.

[5] Lingras Pawan, 1996, Rough Neural Networks, Canada, Algoma University College.

[6] Lumban Tiur., 2005, Sistem Pendukung Pengambilan Keputusan Untuk Analisis Pergerakan Nilai Saham, Bandung, STT Telkom.

[7] MathWorks, Inc, 2004, Fuzzy Logic Toolbox User’s Guide, Natick- Massachusetts, MathWorks, Inc.

[8] Michie D, 1994, Machine Learning, Neural and Statistical Classification.

[9] Mittchell Tom, 1997, Machine Learning, Singapore, McGraw-Hill Co, inc.

[10] Munakata Toshinori, 1996, Rough Control Application Of Rough Set Theory To Control, Germany, Fourth European Congress on Intelligent Techniques and Soft Computing.

[11] Qohar Abdul, 2006, Prediksi Nilai Tukar Us Dollar Terhadap Rupiah Menggunakan Neuro Fuzzy, Bandung, STT Telkom.

[12] Siang Jong, M.Sc., 2005, Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab, Yogyakarta, ANDI.

[13] Z. Pawlak, 1995, Rough Sets, paper vol 58 : Association for Computing Machinery, Inc.

[14] Z. Pawlak, 1995, Rough Set Elements (1), paper : Institute of Theoretical and Applied informatics, Polandia.

[15] Zaini Rizal, 2007, Permodelan Artificial Neural Network sebagai Model Alternatif Peramalan Data Inflasi Indonesia, paper KNSI 2007, Informatika Bandung.