PROYEK AKHIR –MK SISTEM PAKAR
SISTEM PAKAR PENENTUAN MARKET TIMING PADA PASAR SAHAM INDONESIA MENGGUNAKAN METODE FUZZY SUGENO
(Studi kasus saham BBCA)
Grady Davinsyah 1) ,Bening Herwijayanti 2) ,Nindy Deka Nivani 3) ,Hidayatus “yafa’ah 4) , Arief Andy Soebroto 5)
1)2)3)4)
Mahasiswa , 5)Dosen Pembimbing
Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya, Malang 65145, Indonesia
Email : [email protected]),[email protected]),[email protected]), [email protected]),[email protected])
ABSTRAK
Setiap orang selalu mempunyai impian untuk menjadi kaya, anggapan berhemat dan menabung menjadi pemikiran masyarakat yang sejalan dengan slogan yang ada yaitu hemat pangkal kaya. Padahal menurut statistic yang ada dengan menabung di bank bunga yang didapatkan berada dibawah presentase laju inflasi yang ada di Indonesia, maka dari itu salah satu upaya yang dapat dilakukan adalah berinvestasi. Salah satu dari sekian banyak instrument yang paling terkenal adalah saham. Dari beberapa data yang sudah ada jumlah investor di Indonesia masih sangat sedikit hal ini salah satunya disebabkan oleh tingginya resiko dalam berinvestasi di pasar modal (high risk high return) dan minimnya pengetahuan calon investor tentang bagaimana strategi menaklukan pasar modal.
Sistem Pakar ini menggunakan metode Fuzzy Sugeno. Pada metode fuzzy Sugeno menghasilkan output berupa nilai yang konstan dimana terdapat penggunaan singleteon yang digunakan sebagai sebuah fungsi keanggotaan yang konsekuen. Singleteon adalah sebuah keanggotaan fuzzy dengan fungsi keanggotaan pada titik tertentu yang mempunyai nilai 0 dan 1 di luar titik
tersebut. Metode ini dipilih karena terdapat sinyal-sinyal jual maupun beli seringkali bersifat fuzzy dan bukan merupakan sebuah bilangan yang pasti. Dimana penggunaan logika fuzzy telah
terbukti mampu memodelkan
permasalahan fuzzy di dunia nyata sehingga dapat dilakukan proses komputasi oleh computer.
Maka dirancanglah sebuah system pakar yang digunakan untuk menentukan market timing dengan menggunakan metode fuzzy sugeno yang dapat memodelkan permasalahan fuzzy pada dunia nyata dengan cukup baik.
Kata kunci: sistem pakar, saham, logika
fuzzy, fuzzy sugeno
ABSTRACT
them due to the high risks involved in investing in the stock market ( high risk high return ) and lack of knowledge of potential investors about how strategy to conquer the capital markets .
This Expert System using Fuzzy Sugeno method . On Sugeno fuzzy methods generate output constant value where there use singleteon used as a
consequent membership function .
Singleteon is a fuzzy membership with can model the real world quite well .
Keywords : expert system , stock , fuzzy logic , fuzzy Sugeno
1.PENDAHULUAN 1.1 Latar Belakang
Menjadi kaya adalah impian dari setiap orang, banyak yang beranggapan bahwa agar menjadi kaya harus berhemat dan harus bisa rajin menabung. Pemikiran dari diatas ini sejalan dengan sebuah slogan yang ada di masyarakat, hemat pangkal kaya dari kata tersebut bahwa semua orang dapat menjadi orang yang kaya apabila dapat berhemat. Padahal statistik jelas menunjukkan bahwa bunga yang diperoleh ketika menabung di bank (tabungan dan deposito) berada di bawah prosentase laju inflasi yang ada di Indonesia (bareksa.2016). Saham menjadi begitu terkenal di kalangan investor karena
tingginya potensi return yang ditawarkan, tetapi dunia investasi saham juga penuh dengan ketidakpastian atau risiko (Fardiansyah, 2002).
Pada bulan Februari 2016, jumlah investor yang tercatat pada Bursa Efek Indonesia (BEI) sebesar 468 ribu orang (cnnindonesia, 2016), Hampir setengah juta orang telah menjadi investor di bursa saham. Namun perlu diingat bahwa keseluruhan jumlah penduduk Indonesia ada sekitar 250 juta jiwa, Jika dibuat prosentasenya, investor di BEI hanya sebesar 0,1872 persen. Dari fakta-fakta diatas, upaya untuk mengurangi jumlah penduduk miskin yang ada di Indonesia salah satunya dapat dilakukan dengan mendorong lebih banyak penduduk untuk menjadi investor. Tantangan selanjutnya adalah bagaimana investor dapat secara konsisten mendapatkan profit dari transaksinya di pasar saham. Hal ini sangat sulit, karena investor seniorpun masih mengalami kerugian ketika bertransaksi di pasar modal.
data saham Bank Central Asia (BBCA) mulai 1 Januari 2013 hingga 31 Desember 2015.
1.2 Rumusan Masalah
1. Bagaimana perancangan Sistem Pakar Penentuan Market Timing Pada Pasar Saham Indonesia dengan Metode Fuzzy Sugeno?
2. Bagaimana implementasi Sistem Pakar Penentuan Market Timing Pada Pasar Saham Indonesia dengan Metode Fuzzy Sugeno?
3. Bagaimana hasil pengujian terhadap Sistem Pakar Penentuan Market Timing Pada Pasar Saham Indonesia dengan Metode Fuzzy Sugeno?
1.3 Batasan Masalah
1. Data yang digunakan dalam penelitian ini adalah data harga close saham Bank Central Asia (BBCA) sejak tahun 2013 hingga tahun 2015.
2. Keluaran sistem yang dihasilkan yaitu rekomendasi untuk membeli atau menjual atau menahan portfolio saham Bank Central Asia (BBCA) yang dimiliki.
3. Parameter-parameter yang digunakan dibatasi pada harga open, harga close, high, low, moving average, exponential moving average, dan relative strength index.
4. Bahasa pemrograman yang digunakan PHP berbasis web.
1.4 Tujuan
Tujuan dari penelitian Sistem Pakar Penentuan Market Timing Pada Pasar Saham Indonesia Menggunakan Metode Fuzzy Sugeno ini adalah untuk membantu investor, baik yang masih pemula ataupun yang telah senior, untuk
memaksimalkan potensi keuntungan sekaligus meminimalisir potensi kerugian.
2.METODELOGI PENELITIAN 2.1 Studi Literatur
Tahap studi literatur pada penelitian ini adalah mempelajari literatur dari beberapa informasi dan pustaka yang berkaitan dengan pembuatan perangkat lunak Sistem Pakar Penentuan Market Timing Pada Pasar Saham Indonesia dengan Menggunakan Metode Fuzzy Sugeno. Literatur diperoleh dari buku, internet, jurnal, dan bimbingan oleh dosen pembimbing. Adapun literatur yang dipelajari tentang:
a. Kajian Pustaka b. Sistem Pakar c. Teori Fuzzy Sugeno
d. Teori tentang analisis teknikal saham
2.2 Pengumpulan Data
Pengumpulan data diperoleh dari website yahoo finance dengan alamat URL fi a ce.yahoo.co . Pe gu pula data ini digunakan untuk mendukung pembuatan sistem pakar untuk menentukan market timing. Data yang diambil dari website merupakan data Historical Prices BBCA (data history Bank BCA), data ini diambil dari tanggal 1 Januari 2013 – 21 Desember 2015. 2.3 Analisis Kebutuhan
Analisa kebutuhan dilakukan dengan menentukan kebutuhan apa saja yang dibutuhkan dalam pembuatan perangkat lunak Sistem Pakar Penentuan Market Timing Pada Pasar Saham Indonesia dengan Menggunakan Metode Fuzzy Sugeno.
Gambar 2.1 Arsitektur Sistem Pakar Penentuan Market Timing 2.4.1 Proses Perhitungan Fuzzy Sugeno
Penarikan kesimpulan fuzzy, fuzzifikasi input dan penerapan operator fuzzy pada metode ini sama dengan metode Mamdani dimana perbedaan utama Antara 2 metode ini terletak pada output membership function dimana dari metode sugeno output berbentuk liner atau konstan. Aturan yang digunakan dalam model fuzzy sugeno adalah sebagai berikut:
IF Input 1 = x AND Input 2 = y THEN Output is z = ax + by + c
Untuk model sugeno pada orde-Nol, output level z adalah konstan (a=b=c). output level Zi dari setiap aturan
merupakan berat dari aturan wi (firing strength). Sebagai contoh untuk aturan AND dengan inputan 1 = x dan input 2 = y, maka firing strength adalah : wi = AndMethod (F1(X), F2(Y)) dimana F1,2 (.) adalah membership function untuk input 1 dan 2Fuzzy Sugeno Metode sistem inferensi fuzzy sugeno disebut juga sebagai metode sistem inferensi TSK, output dari sistem inferensi fuzzy dilakukan dalam 4 tahap:
Contoh Kasus Perhitungan Manual :
Misalkan investor ingin melakukan investasi terhadap dana yang dimilikinya tetapi ia ragu tindakan apa yang tepat untuk menginvestasikan dana itu, dan investor menyiapkan sebuah data
Lingkungan Konsultasi Lingkungan Pengembangan
Pengguna
Antarmuka
Hasil rekomendasi (kemungkinan menjual,membeli
saham )
Fasiltas Penjelas
Mesin Inferensi
Blackboard -Rencana
-Agenda -Solusi -Deskripsi
Perbaikan
Pengetahuan Pakar
Knowledge Engineer
Basis
Pengetahuan(identifikasi market timing dan nilai
parameter (Nilai Close,RSI,MA/SMA,EMA
& MACD)
Representasi Pengetahua
n
Akuisi Pengetahuan Harga
historical price dari tanggal 1 Januari 2013 – 18 Februari 2013. Maka apakah keputusan yang tepat terhadap dana yang dimilikinya?
Jawab :
Langkah awal yang harus dilakukan adalah menyiapkan data yang dimiliki investor yaitu dimulai dari tanggal 1 Januari 2013 – 18 Februari 2013, setelah data diperoleh maka lakukan perhitungan untuk
mendapatkan nilai dari keempat parameter seperti langkah-langkah dibawah ini:
a. Menghitung MACD
Untuk perhitungan 12 HARI EMA menggunakan persamaan 4.1 , sedangkan untuk perhitungan 26 Hari EMA menggunakan persamaan 4.2, dan untuk memperoleh hasil MACD menggunakan persamaan 4.3.
b. Perhitungan RSI
RS =
( 4 .
1 )
RS =
= 1,2963
RSI = 100 –
RSI = 100 - 100
= 56,452 c. Perhitungan SO
Rumus dan tahapan lengkap untuk mendapatkan nilai SO dapat dilihat pada basis pengetahuan perhitungan SO.
d. Perhitungan OBV
Rumus dan tahapan lengkap untuk mendapatkan nilai OBV dapat dilihat pada basis pengetahuan perhitungan OBV.
Setelah nilai dari keempat parameter diketahui maka lakukan perhitungan menggunakan metode Fuzzy Inferensi Sugeno untuk mendapatkan hasil market timing berupa Jual, Beli, atau Tahan. Perhitungannya dapat dilihat pada tahapan berikut ini:
1. Langkah pertama yang dilakukan adalah menghitung derajat keanggotaan masing-masing parameter pada market timing, yaitu:
a. MACD, terdiri atas 2 himpunan fuzzy yaitu high dan low. Untuk himpunan fuzzy low maka nilai derajat keanggotaannnya dapat ditentukan dengan menggunakan persamaan (4.12), himpunan fuzzy high dengan menggunakan persamaan (4.13). Dari kalkulasi yang sudah dilakukan nilai MACD sebesar 294,78 sedangkan nilai dari signal line sebesar 318,07maka derajat keanggotaan pada masing-masing himpunan fuzzy adalah:
µ low (294,78) = -9,2391
b. RSI, terdiri dari atas 3 himpunan fuzzy yaitu low, medium, dan high. Maka nilai dari derajat keanggotaannya untuk himpunan fuzzy low dapat ditentukan dengan menggunakan persamaan (4.14),
himpunan fuzzy medium
menggunakan persamaan (4.15), dan himpunan fuzzy high menggunakan persamaan (4.16). Apabila diketahui nilai RSI sebesar 56,452 maka derajat keanggotaan pada masing-masing himpunan fuzzy adalah :
µ Low (56,452) = 0
µ Medium (56,452) = =
= 0,6774
µ High (56,452) = =
= 0,3226
c. SO, terdiri dari tiga himpunan fuzzy yaitu Low, Medium, High. Untuk himpunana fuzzy Low maka nilai dari derajat keanggotaannya dapat ditentukan dengan menggunakan persamaan (4.17), himpunan fuzzy medium dapat ditentukan dengan
persamaan (4.18), dan himpunan fuzzy high dapat ditentukan dengan persamaan (4.19). Apabila diketahui nilai SO sebesar 73,48. Maka derajat keanggotaan pada masing-masing himpunan fuzzy adalah :
µ Low (79,48) = 0
µ Medium (79,48) = =
= 0,1733
µ High (79,48) = =
= 0,982
d. OBV, terdiri atas dua himpunan yaitu low dan high. Untuk himpunan fuzzy low derajat keanggotaannya dapat ditentukan dengan menggunakan persamaan (4.20), untuk himpunan fuzzy high
menggunakan persamaan (4.21). Apabila nilai OBV hari ini sebesar -3454500 sedangkan nilai dari OBV sebelumnya adalah 0, maka derajat keanggotaan pada himpunan fuzzy adalah :
µ Low (-3454500) = 1
µ High (8406100) = 0
Langkah kedua adalah e cari ilai α -predikat dan setiap aturan dengan menggunakan fungsi implikasi MIN sehingga akan didapatkan kombinasi aturan yang ada. Selanjutnya adalah mencari nilai z atau bisa disebut sebagai nilai hasil inferensi dari setiap aturan. Nilai z diperoleh dari konsekuen dari setiap aturan yang terdiri dari 3 konsekuen sesuai dengan
aturan yang ada di jurnal yaitu BUY (Beli), SELL (Jual) atau HOLD (Tahan). Berikut adalah proses inferensi atau pe caria u tuk e dapatka ilai α -predikat dan zdari masing-masing aturan :
Rule 1 : JIKA MACD HIGH AND RSI LOW AND SO LOW AND OBV HIGH MAKA BELI
- µ(RSI low) = 0 - µ(SO low) = 0 - µ(OBV high) = 0
α predikat 1 = min (µ(MACD high) ᴒ µ(RSI low) ᴒ µ(SO low) ᴒ µ(OBV high) )
= min (0,9 ᴒ 0 ᴒ 0 ᴒ 0)
= 0 Z1 BELI = 1
Rule 2 : JIKA MACD LOW AND RSI HIGH AND SO HIGH AND OBV LOW MAKA BELI
- µ(MACD low) = -9,2391 - µ(RSI high) = 0,3226 - µ(SO high) = 0,9829 - µ(OBV low) = 1
α predikat 2 = min (µ(MACD low) ᴒ µ(RSI high) ᴒ µ(SO high) ᴒ µ(OBV low) )
= min (-9,2391 ᴒ 0,3226 ᴒ 0,9829 ᴒ 1)
= -9,2391 Z2 BELI = 1
Rule 3 : JIKA MACD HIGH AND RSI MEDIUM AND SO MEDIUM AND OBV HIGH MAKA BELI
- µ(MACD high) = 0,9 - µ(RSI medium) = 0,6774 - µ(SO medium) = 0,017 - µ(OBV high) = 0
α predikat 3 = min (µ(MACD high) ᴒ µ(RSI medium) ᴒ µ(SO medium) ᴒ µ(OBV low) )
= min (0,9 ᴒ 0,6774 ᴒ 0,017 ᴒ 0)
= 0 Z3 BELI = 1
Rule 4 : JIKA MACD HIGH AND RSI LOW AND SO LOW AND OBV HIGH MAKA BELI
- µ(MACD high) = 0,9 - µ(RSI low) = 0,6774 - µ(SO low) = 0,9829 - µ(OBV high) = 1
α predikat = min (µ(MACD high) ᴒ µ(RSI low) ᴒ µ(SO low) ᴒ µ(OBV high) )
= min (0,9 ᴒ 0,6774 ᴒ 0,9829 ᴒ 1)
= 0,6774 Z4 JUAL = -1
Rule 5 : JIKA RSI LOW AND SO LOW AND OBV HIGH MAKA BELI
- µ(RSI low) = 0 - µ(SO low) = 0 - µ(OBV high) = 0
α predikat = min (µ(RSI low) ᴒ µ(SO low) ᴒ µ(OBV high) )
= min (0 ᴒ 0 ᴒ 0)
= 0 Z5 BELI = 1
Rule 6 : JIKA RSI HIGH AND SO HIGH AND OBV LOW MAKA JUAL
- µ(RSI high) = 0,3228 - µ(SO high) = 0,767 - µ(OBV low) = 0,1
α predikat = min (µ(RSI high) ᴒ µ(SO high) ᴒ µ(OBV low) )
= min (0,3228 ᴒ 0,767 ᴒ 0,1)
= 0,1 Z6 JUAL = -1
Rule 7 : JIKA MACD LOW AND RSI HIGH AND SO HIGH MAKA JUAL
- µ(MACD low) = -9,2391 - µ(RSI high) = 0,3226 - µ(SO high) = 0,982906
α predikat = min (µ(MACD low) ᴒ µ(RSI high) ᴒ µ(SO high)) )
= min (-9,2391 ᴒ 0,3226 ᴒ 0,982906)
Rule 8 : JIKA MACD LOW AND RSI MEDIUM AND SO MEDIUM MAKA TAHAN
- µ(MACD low) = -9,2391 - µ(RSI medium) = 0,6774 - µ(SO low) = 0,0170
α predikat = min (µ(MACD low) ᴒ µ(RSI medium) ᴒ µ(SO low)) )
= min (-9,2391 ᴒ 0,6774 ᴒ 0,0170)
= -9,2391 Z8 TAHAN = 0
Rule 9 : JIKA MACD HIGH AND RSI MEDIUM AND SO MEDIUM AND OBV LOW MAKA TAHAN
- µ(MACD high) = 0,9 - µ(RSI medium) = 0,6774 - µ(SO medium) = 0,0170 - µ(OBV low) = 1
α predikat = min(µ(MACD high) ᴒ µ(RSI medium) ᴒ µ(SO medium) ᴒ µ(OBV low) )
= min (0,9 ᴒ 0,6774 ᴒ 0,0170 ᴒ 1)
= 0,0170 Z9 TAHAN = 0
3. Langkah Terakhir yaitu proses defuzzifikasi atau mencari nilai Z dengan menggunakan metode Weighted Average.
Z =
Z =
=
2.5 Implementasi
Implementasi sistem adalah fase membangun sistem yang mengacu pada perancangan sistem pakar dan menerapkan hal yang telah didapatkan dalam proses studi literature. Fase-fase yang ada dalam implementasi antara lain :
Implementasi interface, menggunakan software Notepad ++
Implementasi basis data dengan menggunakan DBMS MySQL pada server localhost (XAMPP) yang bertujuan
untuk memudahkan
melakukan pengolahan dan penyimpanan data.
Implementasi algoritma, melakukan perhitungan dengan metode Fuzzy Sugeno
kedalam bahasa pemrograman PHP.
2.6 Pengujian Sistem
Uji coba sistem dilakukan untuk mengetahui apakah sistem berjalan dengan baik dan sesuai dengan spesifikasi kebutuhan yang telah ditetapkan dapat berjalan dengan baik. Uji coba sistem dilakukan dengan cara membandingkan hasil nilai parameter dari para pakar dengan hasil rekomendasi sistem. Uji akurasi dilakukan seperti pada persamaan berikut :
jumlah n data akurat Nilai akurasi =
x100% 2.1 jumlah n seluruh n data
3.HASIL DAN PEMBAHASAN
Hasil dan pembahasan merupakan tahap pengujian hasil dari perancangan dan implementasi . Proses pengujian dilakukan melalui dua tahapan yaitu pengujian
3.
1 Pengujian Blackbox
Pada pengujian black box akan dijelaskan mengenai scenario pengujian berdasarkan daftar kebutuhan sistem. Tujuan dari pengujian ini adalah untuk mengetahui apakah sistem yang telah dibangun telah sesuai dengan daftar kebutuhan sistem yang telah ditentukan sebelumnya. Item-item yang sudah dijelaskan akan menjadi acuan untuk melakukan pengujian ini. Pengujian akan dilakukan terhadap setiap kebutuhan apakah sesuai dengan kasus uji masing-masing untuk mengetahui apakah kebutuhan dengan kinerja sistem pakar sudah sesuai atau belum.
3.2 Pengujian Performa
Pengujian performa dilakukan untuk mengetahui performa dari sistem pakar penentuan market timing pada pasar saham Indonesia dengan menggunakan metode fuzzy sugeno dibandingkan dengan dua strategi dasar di dunia pasar modal, yaitu Buy & Hold dan Dollar Cost
Averaging (DCA). Hasil performa dihasilkan dari banyaknya keuntungan atau kerugian yang dihasilkan oleh masing-masing strategi. Terdapat beberapa asumsi yang dilakukan dalam percobaan ini, yaitu:
Fee jual dan fee beli tidak diperhitungkan dalam percobaan ini
Investor dapat membeli 1 lembar saham, tidak perlu 1 lot
3.2.1 Skenario Pengujian Parameter Terdapat 4 parameter pada system pakar penenetuan market timing yaitu MACD,RSI,SO dan OBV. Skenario pengujian parameter dilakukan dengan cara melakukan perhitungan pada setip parameter untuk bisa mendapatkan hasil
menggunakan metode fuzzy
sugeno.Berikut Kurva domain dari keempat parameter yang ada pada sistem.
Kurva signal line MACD
Keterangan:
= Low
=High
Gambar 3.1 Kurva Signal Line MACD
Tabel 3.1 MACD
No. Himpunan Fuzzy MACD Range
1. Low Dibawah signal Line
Signal Line 0.1
2. High Diatas signal Line
Sumber : [Pengujian]
Fungsi Keanggotaan MACD
[ ] {
3.1
[ ] {
3.2
Kurva RSI
Keterangan
= Low
=Medium
=High
Gambar 3.2 Kurva RSI
Tabel 3.2 RSI
No. Himpunan Fuzzy RSI Range
1. Low Nilai dibawah 30
2. Medium Nilai diantara 30 dan 70
3. High Nilai diatas 70
Fungsi keanggotaan RSI
[ ] {
3.3
[ ]
{
3.4
[ ] {
3.5
30 50 70
Kurva SO
Gambar 3.3 Kurva So
Tabel 3.3 SO
No. Himpunan Fuzzy MACD Range
1. Low Nilai dibawah 20
2. Medium Nilai diantara 20 dan 80
3. High Nilai diatas 80
Fungsi keanggotaan SO
[ ] {
3.6
[ ]
{
3.7
[ ] {
3.8
Kurva OBV
Tabel 3.4 OBV
No. Himpunan
Fuzzy OBV Range
1. Low Ketika
trend sedang turun
2. High Ketika
trend sedang naik
Fungsi keanggotaan OBV [ ]
{
3.9 [ ]
{
3.10
1. Perhitungan MACD(Moving Average Convergence/Divergence)
Langkah 1 :
Menghitung 12-hari EMA dari harga close
:
3.11
= 9100
Kedua lakukan perhitungan untuk
mencari EMA 12 dengan rumus
EMAt = harga closet *
+ EMAt-1 * (1 - )
EMA12 = 9500 * + 9100 * (1- )
= 9161,538
Langkah 2 :
Menghitung 26-hari EMA
3.12
= 9309,615
Kedua lakukan perhitungan untuk mencari EMA 26 dengan rumus :
EMAt = harga closet *
+ EMAt-1 * (1 - )
EMA12 = 10050 *
+ 9309,615 * (1-
) = 9364,458 Langkah 3 :
Menghitung 9 periode dari MACD dengan rumus:
12hari EMA – 26 hari EMA 9636,614– 9309,615 = 326,995 Langkah 4 :
Menentukan nilai dari signal line dengan rumus :
3.14
2. Perhitungan RSI (Relative Strengh Index)
Langkah 1 :
Pertama, menghitung plus/minus yaitu :
(harga close sebelum – harga close sesudah)
3.15
9100 – 9200 = -100
Langkah 2 :
Hitung jumlah kenaikan harga (AG)
Langkah 3 :
Hitung jumlah penurunan harga (AL)
Langkah 4 :
Menentukan rata-rata AG dan AL :
Rata-rata AG =
Rata-rata AL =
Langkah 5 :
Menghitung nilai RS, dengan rumus :
RS =
3.16
RS =
= 1,2963 Langkah 6 :
Melakukan perhitungan untuk mendapatkan nilai RSI, dengan rumus :
RSI = 100 –
3.17
RSI = 100 - 100
= 56,452
3. Perhitungan SO Langkah 1 :
Melakukan perhitungan untuk menentukan nilai dari highest high (kurs tertinggi) menggunakan rumus :
MAX (high)
Keterangan : MAX = Nilai maximal tertinggi
High = kisaran harga pergerakan tertinggi
MAX (
Langkah 2 :
Menghitung nilai dari Lowes Low (kurs terendah) adalah :
MIN (Low)
Keterangan : MIN = merupakan nilai minimal atau nilai terendah
Low = kisaran harga pergerakan terendah
MIN (
Langkah 3
Hitung nilai dari %K menggunakan rumus :
%K = x 100
3.18
%K =
Langkah 4 :
Hitung nilai %D, dimana untuk menghitungnya menggunakann mengikuti aturan JIKA-MAKA diatas
dengan melihat harga close dan volume maka menggunakan
IF (Harga close sebelum = harga hari ini maka nilai OBV sebelum), IF (Harga close hari ini > harga close kemarin
Setelah nilai dari keempat parameter diperoleh maka tahapan ketiga adalah melakukan fuzzifikasi. Pada proses fuzzifikasi akan dilakukan proses
perhitungan untuk mendapatkan derajat keanggotaan terhadap masing-dijelaskan tentang System Pakar Penentuan Martek Timing Pada
Pasar Saham Indonesia
Menggunakan Metode Fuzzy Sugeno(studi kasus BBCA),maka didapat kesimpulan sebagai berikut:
1. Proses penentuan market timing dilakukan dengan memasukkan data historis saham tertentu. Melalui data historis akan dilakukan perhitungan dengan metode Fuzzy Sugeno untuk mendapatkan nilai akhir yang menjadi dasar defuzzifikasi untuk menghasilkan rekomendasi beserta kekuatan rekomendasi untuk investor.
2. Sistem pakar penentuan market timing ini memiliki kinerja yang
mampu berjalan dengan baik sesuai kebutuhan fungsional
3. Performa dari ketiga strategi yang dibandingkan menunjukkan kalau sistem yang ditawarkan memberikan keuntungan yang paling banyak (5,395 persen) dibandingkan dengan Buy & Hold (-0,375 persen) dan Dollar Cost Averaging (-0,919 persen). Hal ini membuktikan bahwa sistem yang ditawarkan memiliki performa yang lebih baik daripada dua strategi lain. 4.2 Saran
1. Sistem dapat dikembangkan lebih lanjut dengan menggabungkan dengan metode lain agar sistem menghasilkan lebih banyak keuntungan
2. Pengembangan dapat dilakukan dengan melakukan penambahan parameter dan penambahan aturan.
DAFTAR PUSTAKA
Araújo, Ricardo de A., Oliveira, Adriano L.I. dan Meira, Silvio.(2015). A Hybrid Model for High Frequency Stock Market Forecasting.
Chaeng, Ching-Hsue., Teoh, Hia Jong dan Chen, Tai-Liang.(2007). Forecasting
Stock Price Index Using Fuzzy Time-Series Based on Rough Set.
Chang, Pei-Chan., Fan, Chin-Yuan dan Li
Fasanghari, Mehdi dan Faraahi, Ahmad.(2008). Stock Portfolio Recommendation Using Fuzzy Method.
Hadavandi, Esmaeil., Shavandi, Hassan dan Ghanvari, Arash.(2010). A Genetic Fuzzy Expert System for Stock Price Forecasting.
Hiemstra, Ypke. (1994). A Stock Market Forecasting Support System Based on Fuzzy Logic.
Holmes, Mark J dan Maghrebi, Nabil. (2016). Financial Market Impact on the Real Economy : An Assessment of Asymmetries and Volatility Linkages Between the Stock Market and Unemployment Rate.
Kaiqi, Zou dan Beiya, Li.(2008). Application of Fuzzy time sequence in stock prediction.
Kao-Yi, Shen / Min-Ren, Yan dan Kai, Chen.(2010). A Fuzzy-MCDM Based Value Investing Method for Banking Stocks Evaluation.
Kusumadewi, S dan Purnomo, Hari. (2010), Aplikasi Logika Fuzzy untuk Pendukung Keputusan, Graha Ilmu, Yogyakarta.
Lam, S.S. (2001). A Genetic Fuzzy Expert System for Stock Market Timing. Leu, Yungho dan Chiu, Tzu-I.(2010). An
Effective Stock Portfolio trading Strategy using Genetic Algorithms and Weighted Fuzzy Time Series. Lin, Yupei dan Yang, Yiwen.(2009). Stock
Market Forecasting Based on Fuzzy Time Series Model.
Liu, Qiong., Lu, Xin., dkk.(2004). Automatic Estimation of Stock Market
Forecasting and Generating the Corresponding Natural Language Expression.
Mavaahebi, Mahmud dan Nagasaka, Ken.(2012). Measuring Business Effectiveness of Information Technology Investment By Using Empirical Artificial Neural Networks and Expert System.
Othman, Shuhadah dan Schneider, Etienne.(2013). Decision Making Using Fuzzy Logic for Stock Trading. Rusvijayanti,Friska (2013).Sistem Pakar
Identifikasi Penyakit Ayam Pedaging Menggunakan Metode Dempster-Shafer Berbasis Web.
Shakeri, Behnoush., Zarandi, M.H. Fazel., dan Tarimoradi, Mosahar.(2015). Fuzzy Clustering Rule-Based Expert System for Stock Price Movement Prediction.
Shen, Kao-Yi., Yan, Min-Ren dan Tzeng Gwo-Hshiung.(2010). An Integrated Fuzzy-ANP Model for Value Investing. Sulistyohati, Aprilia (2008) .Aplikasi Sistem
Pakar Diagnosa Penyakit Ginjal
Dengan Metode
Dempster-Shafer:Universitas Islam Indonesia.Yogyakarta
University, The Chinese.(2003). Incremental Genetic Fuzzy Expert Trading System for Derivatives Market Timing. Hongkong
