IMPLEMENTASI ALGORITMA GENETIKA PADA PREDIKSI
HARGA SAHAM MENGGUNAKAN MULTIPLE LINEAR
REGRESSION
SKRIPSI
Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer (S.Kom.)
Fahmi Tsaniyulhakim
00000018199
PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK DAN INFORMATIKA
HALAMAN PENGESAHAN SKRIPSI
IMPLEMENTASI ALGORITMA GENETIKA PADA PREDIKSI
HARGA SAHAM MENGGUNAKAN MULTIPLE LINEAR
REGRESSION
oleh
Nama : Fahmi Tsaniyulhakim
NIM 000000118199
Program Studi : Informatika
Fakultas : Teknik dan Informatika
Padang, 24 Januari 2021
Ketua Sidang Dosen Penguji
Julio Christian Young, S.Kom., M.Kom. Adhi Kusnadi, S.T, M.Si.
Dosen Pembimbing
Marlinda Vasty Overbeek, S.Kom.,
M.Kom Mengetahui, Ketua Program Studi Informatika
PERNYATAAN TIDAK MELAKUKAN PLAGIAT
Dengan ini saya:Nama : Fahmi Tsaniyulhakim
NIM 00000018199
Program Studi : Informatika
Fakultas : Teknik dan Informatika
Menyatakan bahwa Skripsi yang berjudul “Implementasi Algoritma pada
Prediksi Harga Saham Menggunakan Multiple Linear Regression” ini adalah
karya ilmiah saya sendiri, bukan plagiat dari karya ilmiah yang ditulis oleh orang lain atau lembaga lain, dan semua karya ilmiah orang lain atau lembaga lain yang dirujuk dalam Skripsi ini telah disebutkan sumber kutipannya serta dicantumkan di Daftar Pustaka.
Jika di kemudian hari terbukti ditemukan kecurangan/ penyimpangan, baik dalam pelaksanaan Skripsi maupun dalam penulisan laporan Skripsi, saya bersedia menerima konsekuensi dinyatakan TIDAK LULUS untuk mata kuliah Skripsi yang telah saya tempuh.
Padang, 20 November 2020
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH
UNTUK KEPENTINGAN AKADEMIS
Sebagai sivitas akademik Universitas Multimedia Nusantara, saya yang bertanda tangan di bawah ini:
Nama : Fahmi Tsaniyulhakim
NIM 00000018199
Program Studi : Informatika
Fakultas : Teknik dan Informatika
Jenis Karya : Skripsi
Demi pengembangan ilmu pengetahuan, menyetujui dan memberikan izin kepada
Universitas Multimedia Nusantara hak Bebas Royalti Non-eksklusif (Non- exclusive Royalty-Free Right) atas karya ilmiah saya yang berjudul:
Implementasi Algoritma Genetika pada Prediksi Harga Saham Menggunakan Multiple Linear Regression
beserta perangkat yang diperlukan. Dengan Hak Bebas Royalti Non-eksklusif ini, pihak Universitas Multimedia Nusantara berhak menyimpan, mengalihmedia atau format-kan, mengelola dalam bentuk pangkalan data (database), merawat, dan mendistribusi dan menampilkan atau mempublikasikan karya ilmiah saya di internet atau media lain untuk kepentingan akademis, tanpa perlu meminta izin dari saya maupun memberikan royalty kepada saya, selama tetap mencantumkan nama saya sebagai penulis karya ilmiah tersebut.
Demikian pernyataan ini saya buat dengan sebenarnya untuk dipergunakan sebagaimana mestinya.
Tangerang, 5 November 2020
HALAMAN PERSEMBAHAN/ MOTO
“Be Fearful When Others Are Greedy and Greedy When Others Are Fearful”
KATA PENGANTAR
Puji syukur kepada Tuhan Yang Maha Esa atas nikmat dan karunianya, sehingga penulis dapat menyelesaikan penelitian skripsi dan laporan skripsi yang berjudul “Implementasi Algoritma Genetika pada Prediksi Harga Saham menggunakan Multiple Linear Regression” pada masa yang sulit ini dikarenakan oleh Covid-19.
Tidak lupa penulis juga menyampaikan terimakasih atas bantuan pada semua pihak selama proses penyelisaian skripsi ini yaitu:
1. Orang tua yang setiap harinya menanyakan skripsi dan telah memberikan dukungan moral selama proses penulisan laporan skripsi
2. Ibu Marlinda Vasty Overbeek, S.Kom., M.Kom selaku Ketua Program Studi Informatika Universitas Multimedia dan Dosen Pembimbing yang telah membimbing dan memberi semangat kepada Penulis sehingga dapat menyelesaikan skripsi ini dengan tepat waktu.
3. Teman-teman seperjuangan Philli Stanlee, Muhammad Akbar Alhakim, Huggy Maulana, Leonardo Danny, Yehezkiel Gunawan, dan Reddy Kusuma Jaya yang telah menjadi teman diskusi selama proses penulisan laporan skripsi.
4. Bapak Dr. Ninok Leksono, selaku Rektor Universitas Multimedia Nusantara yang memberikan inspirasi bagi penulis untuk berprestasi, 5. Dr. Eng. Niki Prastomo, S.T., M.Sc. selaku Dekan Fakultas Teknik dan
Informatika Universitas Multimedia Nusantara,
6. Teman-teman terkasih yang lain yang tidak bisa disebutkan satu per satu yang telah membantu memberikan dukungan langsung maupun tidak langsung.
Semoga Skripsi ini dapat bermanfaat menyelesaikan permasalahan terhadap prediksi perubahan harga saham yang selalu menjadi rintangan bagi setiap investor atau penanam saham dalam menjalankan sebuah perusahaan, dengan harapan agar nanti jika penelitian akan dilanjutkan oleh peneliti lain dan dapat lebih berguna bagi dunia ilmu pengetahuan.
Tangerang, 21 November 2020
IMPLEMENTASI ALGORITMA GENETIKA PADA
PREDIKSI HARGA SAHAM MENGGUNAKAN MULTIPLE
LINEAR REGRESSION
ABSTRAK
Saham merupakan tanda bukti kepemilikan modal atau dana pada suatu perusahaan. Keuntungan dari berinvestasi pada saham didapatkan dari capital gain atau dari
dividen. Namun, pemilik saham juga memiliki kekhawatiran akan kerugian yang
disebabkan oleh turunnya harga saham yang bersifat fluktuatif. Untuk itu diperlukan suatu sistem yang dapat memprediksi harga saham sehingga bisa meminimalisir kerugian tersebut. Prediksi harga saham dapat dibangun dari data historis yang salah satunya menggunakan Multiple Linear Regression berbasis Algoritma Genetika. Algoritma genetika dapat digunakan untuk mencari solusi optimal dari sebuah permasalahan yang rumit dengan cara mencari model regresi yang terbukti paling kompleks untuk mengetahui hubungan antara variabel bebas (independent) dengan variabel terikat (dependent). Penelitian ini bertujuan untuk mengimplementasikan algoritma genetika pada prediksi harga saham menggunakan
Multiple Linear Regression. Untuk tujuan tersebut pada penelitian ini telah
dilakukan uji coba dengan cara mengubah parameter yang ada pada algoritma genetika yaitu inisialisasi populasi, probabilitas crossover, dan probabilitas mutasi sehingga mendapatkan akurasi yang baik yang ditunjukkan dengan nilai MSE sekitar 2235 dan fitness value sekitar 0,000105. Hasil prediksi tersebut sudah sesuai dengan harga aktual perusahaan BBRI. Disamping itu studi ini juga memperlihatkan bahwa penggunaan Algoritma genetika dan Multiple Linear
Regression akan mendapatkan prediksi harga saham terbaik jika menggunakan data
set dan data inisialisasi populasi yang besar yakni 1200 dan individu yang sedikit yakni 5. Parameter probabilitas crossover dan probabilitas mutasi yang digunakan sebaiknya menggunakan nilai 0,4 dan 0,1 berturut-turut.
Kata kunci: Algoritma Genetika, Data Historis, Fitness Value, Mean Squared
GENETIC ALGORITHM IMPLEMENTATION IN SHARE
PRICE PREDICTION USING MULTIPLE LINEAR
REGRESSION
ABSTRACT
Shares are proof of ownership of capital or funds in a company. The advantage of investing in stocks is obtained from capital gains or from dividends. However, shareholders also have concerns about losses caused by the volatile decline in share prices. For that we need a system that can predict stock prices to minimize these losses. Stock price predictions can be built from historical data, one of which is using Multiple Linear Regression based on Genetic Algorithms. Genetic algorithms can be used to find optimal solutions to complex problems by looking for regression models that are proven to be the most complex to determine the relationship between the independent variable and the dependent variable. This study aims to implement genetic algorithms in stock price predictions using Multiple Linear Regression. For this purpose, this research has conducted trials by changing the existing parameters in the genetic algorithm, namely population initialization, crossover probability, and mutation probability so that it gets good accuracy as indicated by an MSE value of around 2235 and a fitness value of around 0.000105. The prediction results are in accordance with the actual price of the company BBRI. In addition, this study also shows that the use of genetic algorithms and Multiple Linear Regression will get the best stock price prediction if you use a large data set and initialization data of a population of 1200 and a small number of individuals, namely 5. The parameters for crossover probability and mutation probability that are used 0.4 and 0.1, respectively.
Keywords: Fenetic Algorithm, Historical Data, Fitness Value, Mean Squared Error, Multiple Linear Regression, Stock Price Prediction
DAFTAR ISI
HALAMAN PENGESAHAN ... ii
PERNYATAAN TIDAK MELAKUKAN PLAGIAT ... iii
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS ...iv
HALAMAN PERSEMBAHAN/ MOTO ... v
KATA PENGANTAR ...vi
ABSTRAK ... viii
ABSTRACT ...ix
DAFTAR ISI ... x
DAFTAR GAMBAR ... xii
DAFTAR TABEL ... xiii
BAB I PENDAHULUAN ... 14
1.1 Latar Belakang Masalah ... 14
1.2. Rumusan Masalah ... 16
1.3. Batasan Masalah ... 17
1.4 Tujuan Penelitian ... 17
1.5. Manfaat Penelitian ... 17
1.6 Sistematika Penulisan ... 18
BAB II LANDASAN TEORI ... 20
2.1 Saham ... 20
2.2 Prediksi Saham ... 22
2.3 Multiple Linear Regression (MLR) ... 23
2.4 Mean Squared Error (MSE) ... 23
2.5 Algoritma Genetika ... 24
BAB III METODOLOGI PENELITIAN DAN PERANCANGAN SISTEM ... 30
3.1 Metode Penelitian ... 30
3.2 Perancangan Aplikasi ... 32
3.2.1 Flowchart Klasifikasi Menggunakan Algoritma Genetika ... 33
3.2.2 Flowchart Prediksi Menggunakan Model Regresi ... 42
3.2.3 Flowchart Aplikasi Sistem Prediksi ... 43
3.2.4 Rancangan Antar Muka ... 44
BAB IV IMPLEMENTASI DAN ANALISIS ... 46
4.1 Spesifikasi Sistem ... 46
4.2.1 Tampilan aplikasi sistem ... 47
4.2.2 Potongan kode sistem ... 49
4.3 Uji Coba... 61
4.3.1 Skenario Pengujian... 61
4.3.2 Hasil Pengujian ... 62
4.3.3 Evaluasi Hasil pengujian ... 66
BAB V SIMPULAN DAN SARAN ... 68
5.1 Simpulan ... 68
5.2 Saran ... 68
DAFTAR PUSTAKA ... 70
DAFTAR GAMBAR
Gambar 2.1 Gambar Inisialisasi Populasi ... 25
Gambar 2.2 Gambar Selection menggunakan metode roulete ... 26
Gambar 2.3 Gambar Whole Arichmetic Crossover ... 27
Gambar 2.4 Gambar Proses Mutation ... 28
Gambar 2.5 Gambar Populasi dengan Fitness ... 28
Gambar 2.6 Gambar Proses Elitism ... 29
Gambar 3.1 Flowchart Klasifikasi Menggunakan Algoritma Genetika ... 33
Gambar 3.2 Flowchart Inisialisasi populasi ... 34
Gambar 3.3 Flowchart Fitness Value ... 35
Gambar 3.4 Flowchart Selection ... 36
Gambar 3.5 Flow Chart Crossover ... 38
Gambar 3.6 Flow Chart Mutation ... 39
Gambar 3.7 Flowchart Elitism ... 40
Gambar 3.8 Flowchart Prediksi Mneggunakan Regresi ... 42
Gambar 3.9 Flowchart Aplikasi Sistem Prediksi ... 43
Gambar 3.10 Gambar Mockup Graph Data Harga Perusahaan ... 44
Gambar 3.11 Gambar Hasil Nilai Prediksi dan Nilai Aktual ... 45
Gambar 4.1 Gambar Graph Data Harga Perusahaan ... 47
Gambar 4.2 Gambar Visualisasi Probabilitas Menggunakan RouletteWheel ... 48
Gambar 4.3 Gambar Graph Perbandingan hasil nilai prediksi dengan nilai aktual... 48
Gambar 4. 4 Gambar Kodingan mengimport dan menampilkan dataset ... 49
Gambar 4. 5 Gambar Kodingan menampilkan dataset dalam bentuk graph ... 50
Gambar 4. 6 Gambar Kodingan Inisialisasi Populasi dan individu random ... 51
Gambar 4. 7 Gambar Kodingan Mencari Fitness Value ... 52
Gambar 4. 8 Gambar Kodingan Mencari Probabilitas untuk Selection ... 53
Gambar 4. 9 Gambar Kodingan Visualisasi Probabilitas menggunakan roulettewheel ... 53
Gambar 4. 10 Gambar Kodingan Selection menggunakan probabilitas ... 54
Gambar 4.11 Gambar Kodingan Crossover mendapatkan generasi baru ... 55
Gambar 4.12 Gambar Kodingan Mutasi Secara Random ... 56
Gambar 4. 13 Gambar Kodingan Elitism ... 57
Gambar 4. 14 Gambar Kodingan Menampilkan individu terbaik ... 57
Gambar 4. 15 Gambar Kodingan Iterasi ... 58
Gambar 4. 16 Gambar Kodingan Menampilkan individu terbaik berdasarkan fitnessvalue ... 59
Gambar 4. 17 Gambar Kodingan Prediksi menggunakan MLR ... 60
DAFTAR TABEL
Tabel 4. 1 Uji Coba Parameter Inisialisasi Populasi ... 63 Tabel 4. 2 Uji Coba Parameter Probabilitas Crossover ... 64 Tabel 4. 3 Uji Coba Parameter Probabilitas Mutasi ... 65
DAFTAR LAMPIRAN
1. Form Bimbingan Dosen Pembimbing 2. Daftar Riwayat hidup
