contoh proposal #1

i

PROPOSAL TESIS

PREDIKSI HARGA SAHAM YANG

MEMPERTIMBANGKAN FAKTOR EKSTERNAL

MENGGUNAKAN MODEL HIBRIDA JARINGAN

SARAF TIRUAN DAN ALGORITMA GENETIKA

EKA MALA SARI ROCHMAN NRP. 5111201003 DOSEN PEMBIMBING: Prof. Ir. Arif Djunaidy, M.Sc., Ph.D. NIP. 195810051986031003 PROGRAM MAGISTER BIDANG KEAHLIAN KOMPUTASI CERDAS DAN VISUALISASI JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INFORMASI INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2013

ii

[Halaman ini sengaja dikosongkan]

iii

LEMBAR PENGESAHAN

PROPOSAL TESIS

Judul : Prediksi Harga Saham Yang Mempertimbangkan Faktor Eksternal

Menggunakan Model Hibrida Jaringan Saraf Tiruan Dan Algoritma

Genetika

Oleh : Eka Mala Sari Rochman

NRP : 5111201003

Telah diseminarkan pada:

Hari : Rabu

Tanggal : 24 April 2013

Tempat : Ruang Sidang Teknik Informatika

Mengetahui/menyetujui

Dosen Penguji: Dosen Pembimbing:

1.

Prof. Ir. Arif Djunaidy, M.Sc., Ph.D.

NIP. 195810051986031003

Waskitho Wibisono, S.Kom, M.Eng., Ph.D.

NIP. 19741022 2000031001

1.

Dr. Nanik Suciati, S.Kom, M.Kom

NIP. 197104281994122001

2.

Viktor Hariadi, S.Si, M.Kom

NIP. 196912181994121001

3.

Bilqis Amaliah, S.Kom, M.kom

NIP.197509172001122002

iv


v

PREDIKSI HARGA SAHAM YANG MEMPERTIMBANGKAN

FAKTOR EKSTERNAL MENGGUNAKAN MODEL HIBRIDA

JARINGAN SARAF TIRUAN DAN ALGORITMA GENETIKA

Nama mahasiswa : Eka Mala Sari Rochman

NRP : 5111201003

Pembimbing : Prof. Ir. Arif Djunaidy, M.Sc., Ph.D

ABSTRAK

Prediksi harga saham merupakan salah satu penelitian penting dalam

bidang perekonomian. Pergerakan harga saham ini cenderung non linear dan non

stasioner yang dipengaruhi oleh banyak faktor, sehingga sangat sulit untuk

meramalkan harga saham. Dalam penelitian ini akan dikaji salah satu

permasalahan prediksi data runtun waktu dalam bidang finansial yaitu

memprediksi harga saham. Tujuan melakukan prediksi ini adalah untuk

mendapatkan petunjuk lebih awal mengenai harga saham yang akan datang

sehingga dapat merespon kejadian tersebut dengan tepat.

Dua pendekatan yang biasa dilakukan oleh para analisis saham dalam

memprediksi harga saham adalah analisa teknikal yang berdasarkan data masa

lampau dan faktor eksternal yang berdasarkan kondisi makroekonomi, kondisi

nonekonomi dan kondisi perusahaan. Fungsi yang diimplementasikan dalam

metoda hibrida ini merupakan representasi dari pengaruh data pergerakan harga

saham masa lampau dan pengaruh kondisi saat ini yaitu faktor pengukuran

kondisi perusahaan (price earning ratio, dividend yield, dan lain-lain), kondisi

makroekonomi (tingkat inflasi, tingkat suku bunga, harga minyak, dan lain-lain)

dan kondisi nonekonomi (berita kondisi dalam negeri, pergerakan indeks saham

luar negeri, dan lain-lain). Jaringan saraf tiruan digunakan untuk mencari pola dari

data masa lampau, untuk mengatasi lokal optima dan overfitting pada Jaringan

saraf tiruan maka diintegrasikan menggunakan algoritma genetika. Dalam

penelitian ini diharapkan dengan menggunakan pendekatan model tersebut akan

menghasilkan perangkat lunak untuk memprediksi harga saham yang mempunyai

akurasi tinggi dan meminimalkan tingkat galat.

Kata kunci: prediksi harga saham, jaringan saraf tiruan, algoritma genetika,

faktor eksternal

vi


vii

Stock Price Prediction Considering External Factor With Hybrid

Model of Artificial Neural Network and Genetic Algorithm

Student Name : Eka Mala Sari Rochman

NRP : 5111201003

Supervisor : Prof. Ir. Arif Djunaidy, M.Sc., Ph.D

ABSTRACT

Stock price prediction is one of many important researches in economic

field. The movement of stock prices tends to be non-linear and non-stasionary

which is influenced by many factors, making the stock price is very difficult to

predict. This research will study one of many problems in predicting time series

data in financial field, which is predicting the stock price. The purpose of doing

this prediction is to obtain early indication of future stock price so the respond

will be appropriate.

Two kinds of approaches that usually used by stock analyst in predicting

stock price are technical analyses, that based on past data, and external factors,

that consist of macroeconomic condition, non-economy condition, and company

condition. The function that has been implemented in this method is the

representative of the past stock price movement and the influence of external

factors such as company condition (price earning ration, dividend yield, etc.),

macroeconomic condition (inflation, interest rates, oil price, etc.) and

noneconomic condition (domestic news, foreign stock index movement, etc.).

Artificial neural network is used to find a pattern from past data, to overcome

local optima and overfitting on artificial neural network integrated with genetic

algorithm. The purpose of this research focusing on those two approaches, the

user will produce a software to predict stock price with high accuracy and low

error rate.

Key Words : Stock price prediction, artificial neural network, genetic algorithm,

external faktor.

viii


ix

DAFTAR ISI

LEMBAR PENGESAHAN ................................................................................... iii

ABSTRAK .............................................................................................................. v

ABSTRACT .......................................................................................................... vii

DAFTAR ISI .......................................................................................................... ix

DAFTAR GAMBAR ............................................................................................. xi

DAFTAR TABEL ................................................................................................ xiii

1 BAB 1 PENDAHULUAN ........................................................................ 1

1.1 Latar Belakang ....................................................................................... 1

1.2 Perumusan Masalah ................................................................................ 4

1.3 Tujuan Penelitian .................................................................................... 6

1.4 Manfaat Penelitian .................................................................................. 6

1.5 Batasan Penelitian .................................................................................. 6

1.6 Sistematika Penelitian ............................................................................ 6

2 BAB 2 DASAR TEORI DAN KAJIAN PUSTAKA ............................... 9

2.1 Dasar Teori ............................................................................................. 9

2.1.1 Indeks Harga Saham ........................................................................... 9

2.1.2 Keuntungan Berinvestasi di saham ................................................... 11

2.1.3 Resiko Berinvestasi di Saham .......................................................... 12

2.1.4 Parameter Faktor Eksternal............................................................... 13

2.1.5 Jaringan Syaraf Tiruan ...................................................................... 15

2.1.6 Algoritma Genetika .......................................................................... 17

2.1.7 Ukuran ketepatan metode peramalan................................................ 19

2.1.8 Normalisasi ....................................................................................... 22

2.2 Kajian Pustaka ...................................................................................... 23

2.2.1 Penelitian Terkait .............................................................................. 23

x

2.2.2 Kontribusi Penelitian ........................................................................ 26

3 BAB 3 METODE PENELITIAN ............................................................ 29

3.1 Desain Model Peramalan ...................................................................... 29

3.1.1 Memformulasikan faktor eksternal .................................................. 31

3.1.2 Melakukan Normalisasi data ............................................................ 32

3.1.3 Pembobotan PRNG .......................................................................... 32

3.1.4 Metode Jaringan Saraf Tiruan .......................................................... 33

3.1.5 Metode Algoritma Genetika ............................................................. 34

3.2 Uji Coba dan Analisis Hasil .................................................................. 35

3.2.1 Data Uji ............................................................................................ 36

3.2.2 Lingkungan Uji Coba ....................................................................... 36

3.2.3 Skenario Uji Coba ............................................................................ 37

3.3 Penulisan Laporan ................................................................................. 38

3.4 Jadwal Kegiatan .................................................................................... 38

3.5 Jadwal Penelitian .................................................................................. 38

4 DAFTAR PUSTAKA.............................................................................. 39

xi

DAFTAR GAMBAR

Gambar 2. 1 Arsitektur Multilayer Jaringan Syaraf Tiruan .................................. 16

Gambar 2. 2 Siklus algoritma genetika Zbigniew Michalewicz .......................... 18

Gambar 3. 1 Diagram Alur Metodologi Penelitian ............................................... 29

Gambar 3. 2 Desain Model Peramalan .................................................................. 30

Gambar 3. 3 Proses Jaringan Saraf Tiruan ............................................................ 34

Gambar 3. 4 Pembobotan (t) ................................................................................. 35

Gambar 3. 5 Kromosom pada pembobotan (t) ...................................................... 35

xii


xiii

DAFTAR TABEL

Tabel 3. 1 Jadwal penelitian .................................................................................. 38

xiv


1

1 BAB 1

PENDAHULUAN

1.1 Latar Belakang

Prediksi harga saham dan pergerakannya merupakan salah satu penelitian

yang penting dan penuh tantangan pada aplikasi data runtun waktu (time series)

(Kara, Boyacioglu, & Baykan, 2011). Perkembangan harga saham dapat dilihat

pada Indeks Harga Saham Gabungan (IHSG) dimana harga saham yang naik

menunjukkan peningkatan sedangkan harga saham yang turun menunjukkan

adanya kelesuan pasar. Banyak sekali penelitian yang memprediksikan harga

saham, namun jarang sekali penelitian tentang prediksi saham yang juga

mempertimbangkan analisa fundamental atau yang lebih dikenal dengan faktor

eksternal yang mencakup kondisi perusahaan, faktor makroekonomi serta

nonekonomi. Hal ini tercermin pada beberapa penelitian yang meneliti keterkaitan

antara harga saham dan faktor tersebut.

Berbagai informasi yang masuk di pasar modal maupun kejadian-kejadian

yang tidak berhubungan dengan pasar modal dapat mempengaruhi volatilitas atau

naik turunnya harga saham (Pasaribu, Juli 2008). Pergerakan IHSG dipengaruhi

oleh berbagai faktor baik internal maupun eksternal. Pengaruh-pengaruh eksternal

seperti pergerakan tingkat suku bunga begitu juga dengan pergerakan indeks

saham luar negeri dipercaya telah menjadi faktor dominan yang mempengaruhi

IHSG. Sedangkan faktor internal lebih dipengaruhi oleh peristiwa-peristiwa dalam

negeri seperti ekspektasi rasional investor serta pengaruh dari pergerakan

variabel-variabel ekonomi makro lainnya seperti nilai tukar rupiah terhadap dolar

Amerika. Tingkat inflasi, tingkat suku bunga dan jumlah uang beredar (money

supply).

Menurut penelitian (Rhee, 2009) Terjadinya apresiasi kurs rupiah terhadap

dolar, akan memberikan dampak terhadap perkembangan pemasaran produk

Indonesia di luar negeri, terutama dalam hal persaingan harga. Apabila hal ini

terjadi, secara tidak langsung akan memberikan pengaruh terhadap neraca

perdagangan, yang berpengaruh pula kepada neraca pembayaran Indonesia,

2

memburuknya neraca pembayaran tentu mempengaruhi cadangan devisa sehingga

mengurangi kepercayaan investor terhadap perekonomian Indonesia, yang

menimbulkan dampak negatif terhadap perdagangan saham.

Pertumbuhan ekonomi memiliki pengaruh yang signifikan dalam jangka

pendek dengan koefisien positif, namun tidak dalam jangka panjang yang

mempunyai koefisien negatif dengan pengaruh yang tidak signifikan (Prasetiono,

2010). Namun kurs tidak memiliki pengaruh yang signifikan dalam jangka pendek

dan jangka panjang. Selain kurs rupiah, harga minyak memiliki pengaruh yang

signifikan dalam jangka pendek dan tidak signifikan dalam jangka panjang. Hal

ini disebabkan karena negara Indonesia merupakan negara penghasil minyak,

sehingga dengan adanya kenaikan harga minyak akan meningkatkan pertumbuhan

ekonomi.

Pada penelitian lain (Kewal, 2012), mengukur variabel makroekonomi

menggunakan teknik analisa regresi berganda, menyatakan bahwa kurs

berpengaruh secara signifikan terhadap IHSG, sedangkan tingkat inflasi, Suku

Bunga Indonesia (SBI) dan pertumbuhan Produk Domestik Bruto (PDB) tidak

berpengaruh terhadap IHSG. Karena dimungkinkan adanya perubahan faktor-

faktor di atas, maka harga saham dapat naik atau turun. Prediksi harga saham akan

sangat bermanfaat bagi investor untuk dapat melihat bagaimana prospek investasi

saham sebuah perusahaan di masa datang.

Untuk keperluan prediksi, model matematis lebih diinginkan daripada

model-model lainnya. Seringkali model matematis merupakan suatu masalah

sangat sukar untuk dibuat (sangat tidak linier) dan yang ada hanya data. Seperti

halnya model fungsi perubahan harga saham sangat sulit untuk diketahui. Salah

satu cabang dari AI (Artificial Intelligence) yang dikenal dengan Jaringan Saraf

Tiruan (JST) merupakan salah satu sistem pemrosesan informasi yang didesain

dengan menirukan cara kerja otak manusia dalam menyelesaikan suatu masalah

dengan melakukan proses belajar melalui perubahan bobot sinapsisnya

(Kusumadewi, 2003).

Jaringan saraf tiruan mampu melakukan pengenalan kegiatan berbasis data

masa lalu. Data masa lalu akan dipelajari oleh jaringan saraf tiruan sehingga

mempunyai kemampuan untuk memberikan keputusan terhadap data yang belum

3

pernah dipelajari. Dalam analisis ini dicoba untuk dipelajari dan dicoba

penerapannya didalam bidang psikologi yaitu mendeteksi test psikologi pada

manusia. Jaringan Saraf Tiruan (JST) tidak memerlukan model matematis tetapi

data dari masalah yang akan diselesaikan (Lam, 2004).

Berdasarkan penelitian (Kara, Boyacioglu, & Baykan, 2011), yang

melakukan penelitian tentang prediksi harga saham dengan menggunakan data

aktual saham sejak tahun 1997-2007 namun tanpa mempertimbangkan kondisi

perekonomian yang mempengaruhi pergerakan harga saham dengan

menggunakan ANN. Pada penelitian ini, ANN dan SVM merupakan dua buah

model yang menunjukkan kinerja secara signifikan dalam memprediksi arah

gerakan harga saham. Kinerja dari model JST (75,74%) signifikan lebih baik

daripada model SVM (71,52%).

Penelitian (Septem, 2007) menyatakan bahwa harga saham dipengaruhi

oleh beberapa faktor eksternal seperti makroekonomi dan nonekonomi yang

menyebabkan harga saham naik dan turun. Penelitian tersebut menggunakan Max

Min System dan Similar Sequence Matching. Hasil dari penelitian tersebut

membuktikan bahwa harga saham terbukti dipengaruhi faktor eksternal dengan

tingkat galat kurang dari 14% namun pada kasus yang lain tingkat akurasinya

sangat besar hal ini disebabkan oleh kurang sempitnya selang class dan kecilnya

nilai saham sebenarnya yang membuat prosentase galat semakin besar. Oleh

karena itu disarankan untuk menggunakan model neural network agar tingkat

akurasinya dapat lebih baik.

Chang, (Chang, Wang, & Zhou, 2012) memprediksikan harga saham yang

menggunakan jaringan saraf tiruan dan algoritma genetika. Penelitian tersebut

menjelaskan bahwa normalisasi dilakukan untuk membuang data historis yang

mencakup teknis indeks dan harga saham. Sistem yang diusulkan sangat efektif

dalam prediksi tren indeks harga saham yang keakuratannya mencapai 90%.

Penelitian ini tidak mempertimbangkan faktor eksternal atau indeks teknis

termasuk budaya, kebijakan, wilayah, dan sebagainya. Faktor tersebut langsung

berdampak pada pasar saham. Maka disarankan untuk dapat menggunakan teknis

indeks yang signifikan bagi berbagai negara untuk memprediksi tren indeks harga

saham di saham masing-masing bursa.

4

Jaringan syaraf tiruan yang digabungkan dengan algoritma genetika (AG)

secara konsisten akan menghasilkan peramalan lebih baik dibandingkan dengan

jaringan syaraf saja. Penelitian ini menyajikan bagaimana mengaplikasikan JST

dan AG dengan faktor eksternal sebagai parameter masukan untuk memprediksi

harga saham dengan harapan prediksi harga saham di masa yang akan datang

dapat menghasilkan nilai saham yang tepat dan akurat.

1.2 Perumusan Masalah

Pada bagian latar belakang telah disebutkan beberapa penelitian yang

berhubungan dengan analisis dan peramalan harga saham dengan menggunakan

model non linear dan non stasioner seperti jaringan syaraf tiruan, SVM, Neuro-

Fuzzy, algoritma genetika maupun metode hibrida. Tingkat pengembalian saham

dapat diketahui dengan persentasi perubahan yang acak (random walk) pada

pengembalian saham dan diasumsikan dengan bahasa matematis sebagai mean.

Model forecasting pengembalian saham dengan mempertimbangkan variable

determinan yang dapat dibentuk secara struktural juga telah mendapat perhatian

para peneliti pasar saham di berbagai negara saat ini.

Kenyataan yang ada bahwa hubungan time-series antara pengembalian

saham dan volatilitas bersifat random walk, karena pengembalian saham pada

suatu titik waktu sudah mencerminkan seluruh informasi yang ada dan relevan

terhadap nilai asset. Pengembalian saham berubah hanya jika ada informasi yang

sama sekali baru kemunculannya dan sifatnya tidak dapat diduga. Kemunculan

informasi baru itu pun akan segera ditanggapi oleh para investor dalam waktu

yang relatif singkat yang mendorong pengembalian saham kembali ke kondisi

keseimbangan. Tinggi rendahnya harga saham dipengaruhi oleh banyak faktor

seperti kondisi dan kinerja perusahaan, resiko, deviden, tingkat suku bunga,

kondisi perekonomian, kebijaksanaan pemerintah, laju inflasi, penawaran dan

permintaan serta masih banyak lagi.

JST mempelajari nilai harga saham yang lampau untuk memperoleh nilai

bobot koneksi (weight) yang optimum dan menggunakan nilai bobot tersebut

sebagai pengetahuan untuk menentukan harga saham mendatang. Jaringan syaraf

yang digabungkan dengan algoritma genetika secara konsisten akan menghasilkan

5

peramalan lebih baik dibandingkan dengan jaringan syaraf saja (Chang, Wang, &

Zhou, 2012).

Berdasarkan pada uraian diatas, selanjutnya dapat dirumuskan dalam

bentuk pertanyaan yaitu bagaimana memformulasikan faktor eksternal ke dalam

prediksi harga saham sehingga dapat meningkatkan akurasi.

Faktor eksternal memegang peranan penting pada perubahan harga

saham, hal ini didasarkan pada beberapa penelitian yang menyatakan bahwa

dengan adanya faktor eksternal tersebut, menyatakan bahwa hasilnya cukup

signifikan dalam mempengaruhi harga saham. Secara garis besar faktor eksternal

merupakan analisa investasi jangka panjang yang mencakup data perusahaan

dalam selang waktu tertentu, untuk mengevaluasi harga saham tersebut dilakukan

melalui nilai numerik. Nilai ini dipilih dan diobservasi sehingga dapat

menggambarkan harga saham secara akurat.

Pasar keuangan dikatakan efisien jika harga saham sepenuhnya

mencerminkan informasi yang ada karena harga disesuaikan dengan aliran

informasi data baru (Horne, 2009). Informasi baru bisa mengakibatkan perubahan

harga yang dapat merubah pola prediksi. Oleh karena itu dalam merumuskan

faktor eksternal harus mempertimbangkan resiko dalam menentukan nilai. Resiko

yang terdapat pada tren harga saham ada dua macam yaitu resiko sistematis dan

resiko tidak sistematis.

Resiko tidak sistematis, resiko ini tidak terikat pada faktor ekonomi

melainkan kondisi perusahaan saja. Pada harga saham untuk memperoleh nilai

pengembalian (return) terdapat pada distribusi probabilitas. Yang pertama terlebih

dahulu menentukan nilai pengembalian dengan rata-rata tertimbang dari

kemungkinan pengembalian yang diharapkan dimana bobotnya adalah

probablititas kejadian. Kemudian diukur penyebarannya dengan menggunakan

standart deviasi. Semakin besar standart deviasi pengembalian maka semakin

tinggi resikonya. Untuk menyesuaikan ukuran, standart deviasi dibagi dengan

pengembalian yang diharapkan untuk mendapatkan nilai koefisien variasinya.

Resiko sistematis (beta), yaitu resiko yang dipengaruhi oleh kondisi

makroekonomi dan nonekonomi, yang mencerminkan hubungan antara kelebihan

pengembalian yang diharapkan dari saham dan kelebihan pengembalian yang

6

diharapkan dari pasar. Dengan menambahkan nilai resiko pada kondisi

perusahaan, kondisi makroekonomi dan kondisi nonekonomi maka efisiensi pasar

dapat terpenuhi sehingga hasil perumusan tersebut dapat meningkatkan akurasi.

1.3 Tujuan Penelitian

Sesuai dengan rumusan masalah, penelitian ini mempunyai tujuan yaitu

membuat sebuah aplikasi peramalan harga saham dengan mempertimbangkan

faktor eksternal menggunakan model hibrida jaringan syaraf tiruan dan algoritma

genetika sehingga dapat menghasilkan prediksi harga saham yang akurat dan

meminimalkan galat.

1.4 Manfaat Penelitian

Adapun manfaat dari penelitian yang dilakukan adalah tersedianya suatu

aplikasi prediksi harga saham yang akurat sehingga dapat membantu para investor

untuk mengambil sebuah keputusan untuk melakukan transaksi saham.

1.5 Batasan Penelitian

Batasan penelitian ini adalah :

a) Informasi yang terjadi bersifat acak dan tidak dapat diprediksikan oleh

pelaku pasar.

b) Prediksi yang dihasilkan merupakan nilai prediksi pada satu hari

berikutnya.

c) Data yang digunakan adalah data harian saham yang berasal dari data

Bursa Efek Indonesia (Dunia Investasi) http://www.duniainvestasi.com.

Harga saham mulai 2 Januari 2009 sampai dengan 28 Desember 2012.

d) Parameter yang digunakan untuk melakukan prediksi adalah :

- Kondisi Makroekonomi: Tingkat inflasi, SBI, Harga minyak dunia,

Nilai tukar rupiah, Sektor Migas dan pertambangan.

- Kondisi Nonekonomi: Pergerakan index luar negeri (LN), berita LN

- Kondisi Perusahaan: diukur melalui deviden, investasi, new product.

1.6 Sistematika Penelitian

a. Bab I Pendahuluan. Bab ini berisi pendahuluan yang menjelaskan latar

belakang permasalahan, perumusan masalah, tujuan penelitian, manfaat

7

penelitian, batasan penelitian serta sistematika penulisan.

b. Bab II Dasar Teori dan Tinjauan Pustaka. Berisi tinjauan pustaka

yang meliputi teori-teori dasar index harga saham, faktor eksternal,

jaringan saraf tiruan, backpropagation, algoritma genetika serta metode

pengukuran peramalan.

c. Bab III Metodologi Penelitian. Bab ini berisi tentang langkah-langkah

penelitian yang dilakukan meliputi desain dan implementasi aplikasi,

pungujian aplikasi, dan jadwal kegiatan penelitian.

8


9

2 BAB 2

DASAR TEORI DAN KAJIAN PUSTAKA

2.1 Dasar Teori

Dasar teori merupakan semua teori yang diambil atau dipilih berdasarkan

kajian pustaka yang melatarbelakangi permasalahan penelitian yang akan

dilakukan. Dasar teori ini selanjutnya akan digunakan sebagai pedoman dalam

melakukan penelitian. Dalam bab ini dijelaskan mengenai teori-teori yang dipakai

untuk penyusunan penelitian, teori-teori tersebut adalah, index harga saham dan

metode yang dipakai dalam penelitian yaitu Jaringan Syaraf Tiruan dan Algoritma

Genetika serta ukuran metode peramalan.

2.1.1 Indeks Harga Saham

Saham adalah tanda penyertaan atau kepemilikan seseorang atau badan

dalam suatu perusahaan atau perusahaan terbatas. Wujud saham berupa selembar

kertas yang menerangkan siapa pemiliknya. Akan tetapi, sekarang ini sistem tanpa

warkat sudah dilakukan di bursa efek dimana bentuk kepemilikan tidak lagi

berupa lembaran saham yang diberi nama pemiliknya tapi sudah berupa account

atas nama pemilik atau saham tanpa warkat. Jadi penyelesaian transaksi akan

semakin cepat dan mudah karena tidak melalui surat, formulir, dan prosedur yang

berbelit-belit (Horne, 2009).

Melalui IPO (Initial Public Offering) atau Penawaran Perdana Publik

(PPP) sebuah perusahaan menawarkan sebagian atau seluruh sahamnya kepada

publik. Melalui IPO, publik bisa ikut serta dalam memodali perusahaan yang

dipercayainya. Pada IPO harga ditentukan oleh: antusiasme pasar, perkiraan

penilai, manajemen perusahaan, dan penjamin. Melalui mekanisme tawar-

menawar yang unik inilah timbul harga perdana (Soemapradja).

Setelah IPO, harga saham yang beredar di publik akan berubah mengikuti

skema persediaan dan penawaran yang ada di pasar bursa (dalam konteks kita

Bursa Efek Indonesia). Skema permintaan ini dilakukan melalui sistem yang

dibuat di bursa, sistem ini mirip lelang. Tiap orang bisa bertransaksi saham di

10

sistem ini, baik menjual atau membeli. Kita bisa menawarkan saham miliki pada

harga tertentu (offer), jika ada orang yang mau membeli sesuai harga yang kita

tentukan, maka terjadilah transaksi begitu pula sebaliknya. Bila ada banyak

peminat pada harga yang sama, transaksi yang terjadi adalah memprioritaskan

siapa yang lebih cepat. Dari mekanisme lelang yang unik inilah harga saham

terbentuk. Bila permintaan tinggi ia akan naik, bila permintaan rendah maka ia

akan turun.

Mekanisme yang dibentuk oleh pasar ini alamiah, tergantung persediaan

dan penawaran. Bila permintaan terlalu tinggi ekspektasi pasar sangat optimis

terhadap suatu perusahaan, mungkin karena perusahaan sejatinya bagus, sehingga

harganya tinggi. Suatu saat bisa juga ekspektasi pasar sangat rendah, yang

menganggap perusahaan tidak berguna maka harga saham jatuh. Kadang-kadang

ekspektasi dan kondisi saham tidak berhubungan, ada perusahaan bagus tapi tidak

menarik perhatian pasar, karenanya mereka menjatuhkan vonis harga yang murah.

Ada pula perusahaan yang merugi setiap saat tapi kalau pasar menganggapnya

bagus harganya pun masih meroket. Saham yang umum dikenal adalah saham

biasa, tetapi jenis saham ada 2 yaitu :

a) Saham biasa

Saham biasa adalah saham yang menempatkan pemiliknya paling terakhir

terhadap pembagian dividen dan hak atas harta kekayaan perusahaan apabila

perusahaan tersebut dilikuidasi karena pemilik saham biasa ini tidak memiliki

hak-hak istimewa. Pemilik saham biasa juga tidak akan memperoleh

pembayaran dividen selama perusahaan tidak memperoleh laba. Setiap

pemilik saham memiliki hak suara dalam rapat umum pemegang saham

/RUPS dengan ketentuan one share one vote. Pemegang saham biasa

memiliki tanggung jawab terbatas terhadap klaim pihak lain sebesar proporsi

sahamnya dan memiliki hak untuk mengalihkan kepemilikan sahamnya

kepada orang lain.

b) Saham Preferen

Saham preferen merupakan saham yang memiliki karakteristik gabungan

antara obligasi dan saham biasa, karena bisa menghasilkan pendapatan tetap

(seperti bunga obligasi). Persamaan saham preferen dengan obligasi terletak

11

pada 3 (tiga) hal yaitu ada klaim atas laba dan aktiva sebelumnya, dividen

tetap selama masa berlaku dari saham dan memiliki hak tebus dan dapat

dipertukarkan dengan saham biasa. Saham preferen lebih aman dibandingkan

dengan saham biasa karena memiliki hak klaim terhadap kekayaan

perusahaan dan pembagian dividen terlebih dahulu Akan tetapi saham

preferen mempunyai kelemahan yaitu sulit untuk diperjualbelikan seperti

saham biasa, karena jumlahnya yang sedikit.

2.1.2 Keuntungan Berinvestasi di saham

Keuntungan yang menjadi daya tarik dari investasi saham adalah

menerima dividen dan mendapatkan capital gain (Horne, 2009).

a) Dividen

Dividen adalah keuntungan yang diberikan perusahaan penerbit saham atas

keuntungan yang dihasilkan perusahaan. Biasanya dividen dibagikan setelah

adanya persetujuan pemegang saham dan dilakukan setahun sekali. Agar

investor berhak mendapatkan dividen, pemodal tersebut harus memegang

saham tersebut untuk kurun waktu tertentu hingga kepemilikan saham

tersebut diakui sebagai pemegang saham dan berhak mendapatkan dividen.

Dividen yang diberikan perusahaan dapat berupa dividen tunai yaitu uang

atau dividen saham dimana pemegang saham mendapatkan jumlah saham

tambahan sesuai porsi saham yang dimiliki.

b) Capital gain

Capital gain merupakan selisih antara harga beli dan harga jual saham pada

saat transaksi. Capital gain terbentuk karena aktivitas perdagangan di pasar

sekunder. Di pasar sekunder tersebut, harga saham sangat dipengaruhi oleh

permintaan dan penawaran. Faktor nilai saham yang dihitung berdasarkan

asset perusahaan belum tentu berpengaruh banyak pada harga riil saham di

pasar modal karena ada faktor lain yang mempengaruhi seperti spekulasi,

sentimen pasar, ekspektasi dan potensi perusahaan di masa depan, peraturan

pemerintah dan pemegang kendali manajemen perusahaan.

Saham dikenal memiliki karakteristik risk-high pengembalian. Artinya

mempunyai peluang keuntungan yang tinggi namun juga memiliki potensi risiko

12

yang tinggi. Saham memungkinkan pemodal mendapatkan keuntungan (capital

gain) dalam jumlah besar dalam waktu singkat. Namun seiring dengan

berfluktuasinya harga saham, maka dapat membuat investor mengalami kerugian

besar dalam waktu singkat.

Sebelum melakukan investasi saham dalam suatu perusahaan, sangat

diperlukan pengetahuan yang luas tentang perusahaan itu. Pertanyaan mengenai

perusahaan apa, bidang usaha apa yang digeluti, siapa pemegang manajemen,

berapa hutang yang dimiliki oleh perusahaan (debt to equity ratio), bagaimana

perkembangan industri di mana perusahaan itu berada, perkembangan perusahaan

itu sendiri, dan lain-lain. Karena akan menemukan banyak informasi yang

berbeda-beda dari berbagai institusi, maka harus mempelajari institusi mana yang

memiliki pengalaman serta kredibilitas yang tinggi sehingga informasi yang

diterima itu benar dan akurat sehingga informasi tersebut dapat membantu

melakukan keputusan mengenai investasi yang diambil.

2.1.3 Resiko Berinvestasi di Saham

Berikut ini adalah resiko berinvestasi pada saham (Horne, 2009):

a) Tidak ada pembagian dividen.

Resiko ini timbul jika perusahaan tidak mendapatkan laba atau Rapat Umum

Permegang Saham memutuskan untuk tidak membagikan dividen karena laba

akan digunakan untuk perluasan usaha.

b) Capital Loss

Resiko ini timbul jika harga jual saham lebih rendah daripada harga Anda

membelinya. Misalnya pada saat membeli saham PT X, harga belinya

Rp.3000,-/saham. Saat menjualnya, harganya cuma Rp.2500,-/saham. Berarti

anda rugi Rp.500,-/saham.

c) Resiko likuidasi

Jika emiten bangkrut atau di likuidasi, para pemegang saham memiliki hak

klaim terakhir terhadap aktiva perusahaan setelah seluruh kewajiban emiten

dibayar. Yang terburuk adalah jika tidak ada lagi aktiva yang tersisa, maka

para pemegang saham tidak memperoleh apa-apa.

d) Saham delisting dari Bursa

13

Karena beberapa alasan tertentu, saham dapat dihapus pencatatannya

(delisting) di Bursa, sehingga pada akhirnya saham tersebut tidak dapat

diperdagangkan.

Untuk meminimalkan kemungkinan kerugian investasi saham, perlu

mencari dan menyaring informasi seluas-luasnya mengenai perusahaan yang

sahamnya akan dibeli dan tidak hanya berinvestasi pada satu perusahaan saja.

2.1.4 Parameter Faktor Eksternal

Berikut ini paparan tentang kondisi-kondisi yang mempengaruhi harga

saham dan formulasinya.

a) Inflasi merupakan proses kenaikan harga secara terus menerus. Angka

inflasi dihitung berdasarkan angka indeks yang dikumpulkan dari beberapa

macam barang yang diperjual belikan. Angka indeks tersebut disebut

sebagai HK (harga konsumen). Rumusan untuk menghitung Inf (inflasi).

(Septem, 2007). Dimana untuk mendapatkan nilai inflasi maka harga

konsumen yang berlaku di pasar di kurangi dengan harga konsumen pada

pada periode waktu sebelumnya yang hasilnya dirata-ratakan. Kemudian

didapatkan nilai prosentasenya. Perkiraan inflasi memiliki pengaruh yang

besar pada suku bunga secara keseluruhan.

b) Suku bunga bank merupakan imbal jasa atau pinjaman uang, yang

merupakan kompensasi kepada pemberi pinjaman.

c) Money supply merupakan total jumlah uang yang dipegang oleh suatu

perusahaan pada satu waktu tertentu.

d) Produksi industry merupakan total jumlah barang yang diproduksi pada

waktu tertentu.

e) Deviden yield untuk mengukur jumlah deviden per saham terhadap harga

pasar yang dinyatakan dalam bentuk prosentase (Septem, 2007).

Deviden yield (DeY) untuk mendapatkan deviden tersebut maka Deviden

per Share (DeS) dibagi dengan pengembalian saham (Ri). Sedangkan nilai

DeS diperoleh dari laba perusahaan yang dibagi dengan jumlah saham

yang diterbitkan oleh perusahaan tersebut. Berbeda dengan Earning per

share (EpS) yang nilai laba perusahaan dibagi dengan jumlah saham yang

14

beredar dipasar. Sedangkan Price earning ratio (PeR) merupakan hasil

pembagian dari pengembalian saham dengan EpS. Untuk nilai harga

saham dapat dilihat pada persamaan (2.1) dan (2.2) :

= 1

1 , (2.1)

dimana:

Rt : harga saham yang berada di pasar

IHSGt : indeks harga saham pada waktu ke t

IHSGt-`1 : indeks harga saham pada waktu ke t-1

t : periode waktu

= 1+

1 , (2.2)

dimana:

Ri : pengembalian harga saham

Rt : harga saham pada bulan ke t

Rt-1 : harga saham pada bulan ke t-1.

f) Resiko sistematis () yang mempengaruhi kondisi perusahaan yang

menggunakan Persamaan (2.3)

=

2 2

. (2.3)

Jika nilai semakin besar, maka semakin besar pula resiko dari harga

saham (Horne, 2009).

g) Sedangkan resiko tidak sistematis ( ) ditunjukkan oleh persamaan (2.4)

yang mana nilainya akan menjadi salah satu vareabel untuk mendapatkan

nilai standart deviasi yang ditunjukkan oleh persamaan (2.5).

kemudian untuk mendapatkan koefisiennya () ditunjukkan oleh

persamaan (2.6)

= =1 (2.4)

= 2 =1 (2.5)

=

. (2.6)

15

Koefisien variasi merupakan pengukuran dari resiko pengembalian harga

saham yang diharapkan (Horne, 2009). Kuatnya hubungan antara variabel

dinyatakan dalam koefisien korelasi. Koefisien korelasi positif terbesar = 1 dan

koefisien korelasi negatif terbesar adalah -1, sedangkan yang terkecil adalah 0.

Bila besarnya antara dua variabel atau lebih itu mempunyai koefisien korelasi = 1

atau -1, maka hubungan tersebut sempurna. Dalam arti kejadian kejadian pada

variabel yang satu akan dapat dijelaskan atau diprediksikan oleh variabel yang

lain tanpa terjadi galat (error). Makin kecil koefisien korelasi, maka akan semakin

besar galat untuk membuat prediksi

2.1.5 Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan merupakan paradigma pengolahan informasi yang

terinspirasi oleh sistem saraf secara biologis, seperti proses informasi pada otak

manusia (Kusumadewi, 2003). Jaringan Syaraf Tiruan dapat menyelesaikan

persoalan yang rumit atau tidak mungkin jika diselesaikan dengan menggunakan

komputasi secara konvensional.

Setiap neuron dapat memiliki beberapa masukan dan mempunyai satu

keluaran. Jalur masukan pada suatu neuron bisa berisi data mentah atau data hasil

olahan neuron sebelumnya. Sedangkan hasil keluaran suatu neuron dapat berupa

hasil akhir atau berupa bahan masukan bagi neuron berikutnya.

Ada beberapa tipe jaringan saraf, namun demikian hampir semua

memiliki komponen-komponen yang sama. Seperti halnya otak manusia, jaringan

saraf juga terdiri dari beberapa neuron, dan ada hubungan antara neruron-neron

tersebut. Neuron-neuron akan mentransformasikan informasi yang diterima

melalui sambungan keluarnya menuju ke neuron-neuron yang lain. Pada jaringan

saraf, hubungan ini dikenal dengan nama bobot. Informasi tersebut disimpan pada

suatu nilai tertentu pada bobot (Kusumadewi, 2003).

16

Gambar 2. 1 Arsitektur Multilayer Jaringan Syaraf Tiruan

Untuk mengimplementasikan jaringan syaraf tiruan, komponen arsitektur

yang digunakan berdasarkan gambar 2.1 sebagai berikut:

a. Lapisan input [Input Layer].

Lapisan input berfungsi sebagai penghubung jaringan ke sumber data.

Neuron-neuron ini tidak melakukan perubahan apapun terhadap data, tapi

hanya meneruskan data ke lapisan berikutnya.

b. Lapisan tersembunyi [Hidden Layer]

Suatu jaringan dapat memiliki lebih dari satu lapisan tersembunyi (hidden

layer) atau bahkan bisa tidak memiliki sama sekali.

c. Lapisan Output [Output Layer]

Keluaran dari neuron pada lapisan ini sudah dianggap sebagai hasil dari

proses.

Input pada jaringan akan diproses oleh suatu fungsi yang akan

menjumlahkan nilai-nilai semua bobot. Hasil dari penjumlahan akan dibandingkan

dengan suatu nilai ambang (threshold) melalui fungsi aktivasi setiap neuron.

Salah satu fungsi aktivasi pada jaringan syaraf adalah fungsi sigmoid biner.

Fungsi ini memiliki nilai pada rentang 0 sampai 1, yang dinyatakan sebagai

(Balestrassi, Popova, Paiva, & Lima, 2009):

= = 1

1+ (2.7)

f(x) = sin x = [-1, 1] (2.8)

17

Nilai y = f (x) menggunakan nilai sin x karena menurut (Chang, Wang, &

Zhou, 2012) nilai ini dapat lebih baik dibandingkan dengan fungsi sigmoid [0,1]

karena nilai saham yang bernilai 0, tidak mempunyai nilai yang signifikan.

Pada pemodelan FNN untuk data runtun waktu, masukan model adalah

data masa lalu (Xt-1, Xt-2, ...., Xt-p) dan targetnya adalah data masa sekarang (Xt).

Bentuk umum model FNN untuk data runtun waktu dituliskan dalam persamaan

berikut :

= 0 0 + 0 + =1

=1 , (2.9)

dimana:

wbn, win, vbo,vno : nilai bobot-bobot.

n, o : fungsi aktivasi yang digunakan pada setiap

unit pemroses.

2.1.6 Algoritma Genetika

Algoritma genetika merupakan teknik pencarian heuristik yang

didasarkan pada gagasan evolusi seleksi alam dan genetic (Sutojo, Mulyanto, &

Suhartono, 2011). Algoritma genetika sebagai salah satu metode optimasi global

yang mensimulasikan proses berkembang dari bentuk kehidupan di alam.

Pertukaran informasi individu pada satu generasi dengan individu lain melalui

operator genetik seperti seleksi dan crossover, sehingga generasi baru yang lebih

baik diperoleh. Algoritma genetika dapat menghindari optimasi lokal dalam

proses pencarian, mempunyai keuntungan atas metode pencarian lokal yang

umum (Balestrassi, Popova, Paiva, & Lima, 2009).

Siklus algoritma genetika pertama kali diperkenalkan oleh David

Goldberg. Kemudian siklus diperbaiki oleh Zbigniew Michalewicz dengan

penambahan proses elitime dan membalik proses reproduksi dahulu (Sutojo,

Mulyanto, & Suhartono, 2011), seperti ditunjukkan pada gambar 2.2.

18

Populasi

Awal

Populasi Baru

Evaluasi FitnessReproduksi Cross

OverSeleksi Individu

Mutasi

Gambar 2. 2 Siklus algoritma genetika Zbigniew Michalewicz

Untuk mengimplementasikan algoritma genetika, komponen yang

digunakan berdasarkan gambar 2.2 sebagai berikut :

a. Teknik Encoding/Decoding gen dan individu

Encoding berguna untuk mengodekan nilai gen-gen yang diperoleh secara

acak. Tiga jenis encoding antara lain : bilangan real, diskrit desimal dan

biner. Decoding berguna untuk mendekode gen pembentuk individu agar

nilainya tidak melebihi jangkauan yang telah ditentukan. Tujuan dari

pendekodean adalah mempermudah perhitungan untuk mencari nilai fitness

dari setiap kromosom. Pendekodean dapat dilakukan dengan cara sebagai

berikut (Sutojo, et.al, 2011) :

x = rb + (ra rb) g , (2.10)

dimana:

x : nilai variabel yang telah dikodekan

rb : batas bawah dari nilai-nilai variabel

ra : batas atas dari nilai-nilai variabel

g : kode dari suatu gen.

b. Nilai Fitness menyatakan nilai dari fungsi tujuan. Nilai fitness merupakan

nilai fungsi, jika mencari nilai maksimal. Tetapi nilai fitness akan menjadi

invers dari fungsi, jika mencari nilai minimal

c. Cross-Over (Pindah Silang), hanya bisa dilakukan jika sebuah bilangan

random yang dibangkitkan nilainya lebih kecil dari probabilitas tertentu

yang diatur mendekati 1.

19

d. Mutasi dilakukan jika bilangan random yang dibangkitkan lebih dari

probabilitas mutasi yang ditentukan yang diatur dengan nilai 1/N, dimana N

adalah jumlah gen dalam individu.

e. Seleksi, merupakan suatu fungsi tertentu yang digunakan pada algoritma

genetika sering dapat menyebabkan setiap individu mempunyai nilai fitness

hampir sama. Hal ini dapat mengakibatkan optimum lokal pada saat proses

pemilihan individu. Untuk menghindari konvergen pada solusi optimal

lokal, maka dilakukan mekanisme yang dinamakan Linear Fitness Rangking

(LFR). Tujuan LFR adalah untuk penskalaan nilai fitness menggunakan

persamaan berikut:

= 1

1 , (2.11)

dimana:

LFR (i) : nilai LFR individu ke-i

N : jumlah individu dalam populasi

R(i) : rangking individu ke-i setelah diurutkan dari nilai

fitness terbesar hingga terkecil

fmax : nilai fitness tertinggi

fmin : nilai fitness terendah.

Seleksi digunakan untuk memilih dua kromosom atau individu yang akan

dijadikan orang tua. Metode seleksi yang digunakan adalah Roulette-Wheel

(Roda Roulette). Metode ini dilakukan dengan cara masing-masing individu

menempati potongan lingkaran roda sesuai dengan nilai fitness-nya.

2.1.7 Ukuran ketepatan metode peramalan

Pengambilan keputusan membutuhkan data historis mengenai berbagai

kejadian di masa lalu. Semakin detail dan terinci data yang diperoleh, pengambil

keputusan dapat merumuskan kebijakannya dengan lebih tepat. Hal ini mengingat

setiap pengambil keputusan membutuhkan pemetaan permasalahan dan alternative

keputusan yang akan diambilnya. Dengan demikian informasi yang dibutuhkan

bukanlah hanya sekedar data atau fakta yang disajikan begitu saja, tanpa

diklasifikasi berdasarkan sistem tertentu. Ini berarti suatu informasi yang berguna

20

dalam pengambilan keputusan harus jelas strukturnya berdasarkan pendekatan

sistem

Keputusan investor memilih suatu saham sebagai obyek investasinya

membutuhkan data historis terhadap pergerakan saham yang beredar di bursa.

Baik secara individual, kelompok, maupun gabungan. Mengingat transaksi

investasi saham terjadi pada setiap saham dengan variasi permasalahan yang

sangat rumit dan berbeda-beda, pergerakan harga saham memerlukan identifikasi

dan penyajian informasi dan bersifat spesifik. Ribuan kejadian-kejadian dan fakta

historis harus dapat disajikan dengan sistem tertentu agar dapat menghasilkan

suatu informasi yang sederhana, konsisten dan mudah ditafsirkan oleh para pelaku

pasar modal.

Informasi yang sederhana namun dapat mewakili suatu kondisi tertentu

akan mewujudkan peta permasalahan yang disimbolkan oleh tanda-tanda angka

ataupun peristilahan tertentu. Berdasarkan peta permasalahan inilah para investor

dapat membayangkan maupun memprediksi situasi yang akan terjadi di masa

yang akan datang.

Sistem pemetaan kejadian-kejadian historis tersebut menyangkut sejumlah

fakta maupun besaran tertentu yang menggambarkan perubahan-perubahan harga

saham di masa lalu. Bentuk informasi historis yang dipandang sangat tepat untuk

menggambarkan pergerakan harga saham di masa lalu adalah suatu indeks harga

saham yang memberikan diskripsi harga-harga saham pada suatu saat tertentu

maupun dalam periodisasi tertentu pula. Indeks harga saham tersebut merupakan

catatan terhadap perubahan-perubahan maupun pergerakan harga saham sejak

mulai pertama kali beredar sampai pada suatu saat tertentu. Tentu saja, penyajian

indeks harga saham berdasarkan satuan angka dasar yang disepakati.

Indeks harga saham gabungan suatu rangkaian informasi historis mengenai

pergerakan harga saham gabungan, sampai tanggal tertentu. Indeks harga saham

gabungan mencerminkan suatu nilai yang berfungsi sebagai pengukuran kinerja

suatu saham gabungan di bursa efek. Peramalan yang baik mempunyai beberapa

kriteria yang penting, antara lain akurasi, biaya, dan kemudahan. Penjelasan dari

kriteria-kriteria tersebut adalah sebagai berikut:

21

a) Akurasi. Akurasi dari suatu hasil peramalan diukur dengan kebiasan dan

kekonsistensian peramalan. Hasil peramalan dikatakan bias bila peramalan

tersebut terlalu tinggi atau terlalu rendah dibanding dengan kenyataan

yang sebenarnya terjadi. Hasil peramalan dikatakan konsisten bila

besarnya kesalahan peramalan relatif kecil.

b) Biaya. Biaya yang diperlukan untuk pembuatan suatu peramalan

tergantung dari jumlah item yang diramalkan, lamanya periode peramalan,

dan metode peramalan yang dipakai.

c) Kemudahan. Penggunaan metode peramalan yang sederhana, mudah

dibuat, dan mudah diaplikasikan akan memberikan keuntungan bagi

perusahaanDalam pemodelan deret berkala, sebagian data yang diketahui

dapat digunakan untuk meramalkan data berikutnya. Nilai kesalahan

peramalan yaitu selisih antara data peramalan terhadap data aktual. Nilai

kesalahan yang terjadi merupakan suatu data penting untuk menilai

ketepatan suatu metode peramalan.

Dari hasil peramalan kemudian diperoleh metode mana yang

memperoleh kesalahan terkecil, sehingga nilai peramalan dapat dipakai sebagai

acuan dalam menentukan kebutuhan-kebutuhan di masa mendatang. Terdapat

beberapa ukuran kesalahan dalam peramalan antara lain Root Mean Square Error

(RMSE) dan Mean Absolute percentage Error (MAPE).

2.1.7.1 Root Mean Squared Error (RMSE)

Pemilihan metode peramalan terbaik sebaiknya didasarkan pada tingkat

kesalahan prediksi. Pengukuran kesalahan dilakukan untuk melihat apakah

metode yang telah digunakan sudah memadai untuk memprediksi sebuah data,

karena tidak ada metode peramalan yang dapat memprediksi data masa depan

secara tepat. Semakin kecil tingkat kesalahan yang dihasilkan, semakin tepat

sebuah metode dalam menghasilkan prediksi. Pengukuran kesalahan

menggunakan Root Mean Squared Error (RMSE). RMSE merupakan akar

kuadrat dari Mean Squared Error (MSE). Error yang ada menunjukkan seberapa

minimum hasil prediksi dengan nilai aktual (Yu, Wang, & Keung, 2008).

22

Kesalahan rata-rata akar kuadrat atau Root Mean Squared Errors (RMSE) dengan

persamaan (2.12) :

n

FX

RMSE

n

t

tt

1

2

, (2.12)

dimana:

Xt : nilai peramalan yang diharapkan periode t

Ft : nilai hasil peramalan dari sistem pada periode t

n : jumlah data.

2.1.7.2 Mean Absolute Percentage Error ( MAPE)

Nilai tengah kesalahan presentase absolut atau MAPE (Mean Absolute

Percentage Error), menurut (Chang, Wang, & Zhou, 2012) dapat dilihat pada

persamaan (2.13):

%1001

n

Y

FX

MAPE

n

t t

tt

, (2.13)

dimana:

Xt : nilai peramalan yang diharapkan periode t

Ft : nilai hasil peramalan dari sistem pada periode t

n : jumlah data.

MAPE merupakan presentase yang dihitung dari nilai absolut kesalahan

di masing-masing periode dan dibagi dengan nilai data aktual periode tersebut

kemudian dicari rata-rata kesalahan.

2.1.8 Normalisasi

Normalisasi data adalah proses pengubahan data saham asli menjadi data

yang rentang nilainya antara 0,1 dan 0,9 karena fungsi aktivasi yang digunakan

adalah fungsi sigmoid biner yang nilai fungsi tersebut tidak pernah mencapai 0

ataupun 1. Data yang ada dinormalisasi dengan membagi nilai data tersebut

dengan nilai rentang data nilai data maksimum dikurangi nilai data minimum

(Chang, Wang, & Zhou, 2012). Seperti yang dituliskan pada persaman (2.11).

23

= min ()

max ()min (), (2.11)

Dimana,

X : Data yang telah di normalisasi

X : Data yang belum dinormalisasi

min(x) : data terkecil

max(x) : data terbesar.

2.2 Kajian Pustaka

Pada bagian ini akan dijelaskan beberapa penelitian yang terkait dengan

penelitian yang akan dikerjakan dan kontribusi penelitian yang diharapkan.

Penelitian-penelitian yang akan dibahas merupakan penelitian yang menguraikan

tentang analisa fundamental atau faktor eksternal yang mempengaruhi harga

saham, serta beberapa penelitian yang menggunakan metode prediksi harga saham

yang berbeda.

2.2.1 Penelitian Terkait

Pasar keuangan dapat dibagi menjadi dua macam yaitu pasar uang dan

pasar modal. Pasar uang berkaitan dengan pembelian maupun penjualan sekuritas

pemerintah dan perusahaan yang berjangka pendek (kurang dari 1 tahun).

Sedangkan pasar modal berkaitan dengan uang dan instrument ekuitas seperti

saham dan obligasi yang relative berjangka panjang (Horne, 2009). Ketika broker

mempertemukan pihak yang membutuhkan dana dengan pihak yang memiliki

tabungan, mereka tidak melakukan fungsi secara langsung melainkan sebagai

perantara.

Harga saham dapat dianalisa secara teknikal ataupun fundamental (faktor

eksternal). Kedua analisa tersebut memiliki perbedaan yang cukup mendasar pada

proses perhitungan maupun parameter yang digunakan untuk melakukan prediksi.

Lui (Lui & Mole, 1998), pada penelitiannya menggunakan responden untuk

menganalisa keterkaitan faktor eksternal dan analisa teknikal. Kemudian

mengungkapkan bahwa analisa teknikal berguna dalam memprediksikan titik

24

balik, sedangkan faktor eksternal lebih efektif dalam meramalkan pergerakan

harga saham yang akan datang.

Kemudian pada penelitian (Lam, 2004) yang menggunakan Neural

Network (NN) backpropagation sebagai metode prediksi dengan menggunakan 16

indikator variabel financial dan 11 vareabel makroekonomi sebagai masukannnya.

Data penelitiannya diperoleh dari perusahaan 364 S&P tahun 1985-1995, hasil uji

coba penelitian tersebut menyatakan bahwa kedua buah variabel yaitu finansial

dan fundamental tidak dapat berjalan secara bersamaan karena akan menghasilkan

hasil yang tidak signifikan dimana harga prediksinya jauh lebih besar dari data

aktualnya.

Pada penelitian (Prohaska, Uroda, & Suljic, 2011) mengemukakan faktor

eksternal merupakan bagian dari sebuah analisa investasi jangka panjang dan

berfokus pada faktor-faktor seperti pengaruh ekonomi, industri dan informasi

perusahaan yang berkaitan dengan produk, pendapatan, laba dan manejemen

dengan tujuan menentukan nilai intrinsik dari perusahaan. Dengan menggunakan

perhitungan ratio sederhana, faktor eksternal berperan penting pada perubahan

harga saham. Nilai-nilai tersebut dipilih, diobservasi sehingga dapat

menggambarkan harga saham secara akurat.

Kemudian (Bekiros, 2010) memperkenalkan suatu sistem Neurofuzzy.

Model Neurofuzzy menghasilkan perbaikan substansial profitabilitas per unit

risiko selama periode pasar, karena memberikan informasi yang valid untuk titik

balik potensial perdagangan pada hari berikutnya model ini efisien

mensimulasikan proses pengambilan keputusan adaptif. Strategi investasi

berdasarkan model yang diusulkan memungkinkan untuk mendapatkan tingkat

akurasi secara signifikan.

Roh (Roh, 2007), pada penelitiannya mengusulkan model hibrida antara

JST dan model deret waktu keuangan untuk meramalkan volatilitas indeks harga

saham. Studi ini menemukan koefisien variabel masukan dengan runtun waktu

proses keuangan dan variabel baru yang diekstrak sehingga mempengaruhi

domain dalam menganalisis pasar saham. Hasil eksperimen menunjukkan bahwa

model hibrida yang diusulkan adalah NN-EGARCH, model ini dapat ditingkatkan

25

diseri peramalan volatilitas indeks harga saham. Model ini harus lebih diuji untuk

ketahanannya dengan menerapkan untuk masalah domain lainnya.

Dalam penelitian (Pino, Parreno, Gomez, & Priore, 2008) yaitu

memperkirakan harga energy listrik pada hari berikutnya yang dihitung per jam di

pasar produksi listrik dari Spanyol. Metodologi yang digunakan didasarkan pada

jaringan saraf. Hari-hari yang akan diperkirakan termasuk hari kerja serta akhir

pekan dan hari libur, karena berdasarkan fakta harga energy memiliki perilaku

yang berbeda tergantung pada jenis hari yang akan diperkirakan. Selain itu, harga

energi runtun waktu biasanya terdiri dari terlalu banyak data, yang bisa menjadi

masalah jika kita sedang mencari waktu singkat untuk mencapai perkiraan yang

memadai. Dalam penelitian ini, pelatihan Metode jaringan saraf tiruan yang

digunakan adalah (MLP) multilayer perceptron. MLP ini kemudian dilatih dan

akhirnya digunakan untuk menghitung perkiraan. Prakiraan ini dibandingkan

dengan yang diperoleh dari metode peramalan ARIMA. Hasil penelitian

menunjukkan bahwa jaringan saraf 90% melakukan peramalan lebih baik dari

model ARIMA, terutama untuk akhir pekan dan hari libur.

Penelitian (Septem, 2007) tentang prediksi harga saham menyatakan

bahwa harga saham dipengaruhi oleh beberapa faktor eksternal seperti

makroekonomi dan nonekonomi yang menyebabkan harga saham naik ataupun

turun. Penelitian tersebut menggunakan metode max min system dan similar

sequence matching. Dengan menggunakan fungsi pencarian untuk

memformulasikan faktor eksternal dengan menambahkan semua koefisien harga

saham pada masing-masing kondisi tersebut. Hasil dari penelitian tersebut

membuktikan bahwa harga saham terbukti dipengaruhi faktor eksternal dengan

tingkat galat kurang dari 11% namun pada kasus yang lain tingkat akurasinya

sangat besar hal ini disebabkan oleh kurang sempitnya rentang klas dan juga

karena kecilnya nilai saham sebenarnya yang membuat prosentase galat semakin

besar. Oleh karena itu disarankan untuk menggunakan model jaringan saraf tiruan

agar tingkat akurasinya dapat lebih baik.

Berdasarkan penelitian (Kara, Boyacioglu, & Baykan, 2011), yang

melakukan penelitian tentang prediksi harga saham dengan menggunakan data

aktual saham sejak tahun 1997-2007 namun tanpa mempertimbangkan faktor

26

eksternal dengan menggunakan ANN (Artificial Neural Network). Pada penelitian

ini, membandingkan ANN dan SVM (Support Vektor Mechine) model ini

menunjukkan kinerja yang signifikan dalam memprediksi arah gerakan harga

saham. Dengan demikian ANN dan SVM merupakan alat prediksi yang berguna.

Kinerja rata-rata prediksi dari model JST (75,74%) ditemukan signifikan lebih

baik daripada model SVM (71,52%).

Secara keseluruhan, ANNs memberikan kinerja yang memuaskan di

bidang peramalan. Ada banyak faktor yang dapat mempengaruhi kinerja ANNs.

Namun, tidak ada investigasi sistematis yang membahas masalah trial dan error

yang merupakan alasan utama pada data runtun waktu nonlinier menggunakan

ANN, hasil menunjukkan bahwa ANNs mampu menghasilkan model

autoregressive realistis lebih baik daripada yang spesifik. Sebagai penelitian lebih

lanjut pendekatan evolusioner seperti, algoritma genetika disebut sebagai

pengecualian dalam melatih model JST, di mana evolusi seperti bobot koneksi,

struktur jaringan, aturan belajar, yang dioptimalkan menggunakan evolusi

algoritma (Balestrassi, Popova, Paiva, & Lima, 2009).

Chang (Chang, Wang, & Zhou, 2012) pada penelitiannya

memprediksikan harga saham menggunakan jaringan saraf tiruan dan algoritma

genetika. Peneltian tersebut menjelaskan bahwa normalisasi dilakukan untuk

membuang data historis yang mencakup teknis indeks dan harga saham. Data

yang telah dinormalisasi dimasukkankan ke dalam jaringan saraf untuk melatih

bobot koneksi dari model. Kemudian set data pengujian data sehingga dapat

memicu model ketika AG dioptimalkan mencari bobot. Sistem yang diusulkan

sangat efektif dan mendorong dalam prediksi tren indeks harga saham

keakuratannya mencapai 90%.

.

2.2.2 Kontribusi Penelitian

Pada penelitian (Chang, Wang, & Zhou, 2012) melakukan prediksi harga

saham menggunakan model hibrida JST dan AG dengan parameter harga saham

yang dirumuskan ke dalam fungsi analisa teknikal sebagai masukan neurons pada

lapisan input JST yang diolah kembali menggunakan AG untuk mendapatkan nilai

optimal. Dari pemodelan tersebut, juga telah didapatkan tingkat akurasi yang

27

tinggi. Dalam penelitiannya juga memiliki beberapa saran pengembangan yang

dapat dilakukan, salah satunya adalah menggunakan indeks parameter yang

berbeda karena setiap Negara memiliki perbedaan budaya dan kebijakan

pemerintahan sehingga hal tersebut dapat mengakibatkan perubahan harga saham.

Kontribusi penelitian ini mengembangkan dari penelitian yang dilakukan

(Chang, Wang, & Zhou, 2012), pengembangan yang dimaksud adalah dengan

menambahkan parameter-parameter faktor eksternal yang dapat mempengaruhi

perubahan harga saham yang menggantikan parameter analisa teknikal sebagai

masukan pada JST. Karena faktor eksternal juga berperan dalam mempengaruhi

pergerakan harga saham. Pengembangan penelitian ini diharapkan dapat

meningkatkan akurasi dan kinerja peramalan harga saham.

28


29

3 BAB 3

METODE PENELITIAN

Dalam bab ini dijelaskan mengenai tahapan-tahapan yang digunakan

dalam membahas permasalahan penelitian. Secara global, tahapan penelitian yang

dilakukan seperti ditunjukkan pada gambar 3.1. Tahapan identifikasi masalah,

perumusan masalah, penetapan tujuan, batasan dan kontribusi penelitian seperti

dijelaskan pada bab 1 dan studi literatur yang dijelaskan pada bab 2. Sehingga

dalam bab ini akan difokuskan untuk menjelaskan desain model peramalan, uji

coba dan analisis hasil.

Identifikasi

Masalah

Studi LiteraturPerumusan

Masalah

Penetapan Tujuan,

Batasan dan Kontribusi

Penelitian

Desain Model

Prediksi

Uji Coba dan

Analisa Hasil

Penyusunan Kesimpulan dan Saran

Pengembangan Penelitian Lebih Lanjut

Gambar 3. 1 Diagram Alur Metodologi Penelitian

3.1 Desain Model Peramalan

Proses mula-mula dilatihkan dengan data harga saham periode masa lalu,

misalnya data yang ada adalah data harga saham tahun 2009, 2010 dan 2011.

Maka data tahun 2009 dan 2010 dijadikan sebagai masukan dan untuk data 2011

digunakan sebagai target keluaran yang diinginkan. Dari penyesuaian antara data

30

masukan dan data keluaran Jaringan Syaraf Tiruan akan mengahasilkan bobot-

bobot yang dapat memetakan data masukan ke data target keluaran sistem yang

diinginkan. Apabila error (galat) yang dihasilkan oleh Jaringan Syaraf Tiruan

sudah lebih kecil di bandingkan toleransi galat yang ditetapkan maka pelatihan

Jaringan Syaraf Tiruan tersebut sudah dapat di sebut optimal.

Gambaran umum dari sistem yang digunakan dalam sistem predisi harga

saham adalah ditunjukkan pada gambar 3.2

Mulai

Kondisi Perusahaan

Kondisi Makroekonomi

Kondisi Nonekonomi

Formulasi Kondisi Perusahaan

Formulasi Kondisi Makroekonomi

Formulasi Kondisi Nonekonomi

Normalisasi

Inisialisasi Bobot

Lapisan Input

Lapisan Tersembunyi

Lapisan Output

Selesai

|Harga prediksi Harga aktual | harga aktual

Evaluasi FItness

Seleksi

Replacement

Mutasi

Y

T

JSTAG

Formulasi Faktor Eksternal

Harga Saham

Resiko Sistematis

Koefisiean Resiko tidak

sistematis

Koreksi eror dan

bobot

Perbaikan bobot dan

Pembentukan Kromosom

Bobot Optimal

(Kromosom Baru)

Gambar 3. 2 Desain Model Peramalan

31

Berdasarkan gambar 3.2 mengenai desain model peramalan yang terdiri

dari beberapa langkah yang dijelaskan sebagai berikut :

3.1.1 Memformulasikan faktor eksternal

Langkah pertama melakukan proses masukan yang memperhitungkan faktor

eksternal dan didasarkan oleh penelitian (Chang, Wang, & Zhou, 2012) dan

penelitian (Septem, 2007), yaitu parameter pendukung diformulasikan

sesuai dengan formula masing-masing parameter untuk mendapatkan nilai

faktor eksternal yang didalamnya menentukan nilai resiko () yang

ditunjukkan oleh persamaan (2.3) dan nilai koefisien () yang ditunjukkan

oleh persamaan (2.6).

Dari masing-masing nilai resiko sistematis dan resiko tidak sistematis

digabungkan dengan nilai pada masing-masing kondisi agar dapat

menghasilkan nilai yang efisien. Maka formulasi pada kondisi perusahaan

dapat dilihat pada persamaan (3.1) untuk kondisi makroekonomi dan non

ekonomi menggunakan koefisien sehingga formulasinya dapat dilihat pada

persamaan (3.2) dan (3.3). Kemudian dari masing-masing formula tersebut

dirumuskan menjadi satu formula faktor eksternal yaitu pada persamaan

(3.4).

= + + + , (3.1)

dimana:

KP : kondisi perusahaan

DeY : Deviden yield

DeS : Deviden per Share

EpS : Earning per share

PeR : Price earning ratio

: Koefisien varians dari resiko tidak sitematis.

= ( + + + + + ) , (3.2)

dimana :

ME : kondisi makroekonomi

In : tingkat inflasi

Kp : Kapasitas produksi industry

32

Mo : Money Supply

Sbi : suku bunga bank Indonesia

Md : harga minyak dunia

Rp : nilai tukar rupiah

: resiko sistematis.

= ( + + + ) , (3.3)

dimana:

NE : kondisi non ekonomi

Mgp : Kondisi sektor minyak, gas dan pertambangan

Sl : Pergerakan indeks saham luar negeri

Dn : Berita dalam negeri

Ln : Berita Luar negeri

: resiko sistematis.

Dari ketiga formula tersebut, dijadikan satu kesatuan menjadi

formulasi faktor eksternal (FE) pada persamaan berikut ini:

= ++

+ . (3.4)

3.1.2 Melakukan Normalisasi data

Langkah selanjutnya dalam melakukan peramalan harga saham yaitu dengan

menormalisasikan formulasi faktor eksternal. Hasil formula yang

didapatkan dari faktor eksternal tersebut harus dinormalisasikan terlebih

dahulu karena JST hanya mengenali nilai yang rentangnya (0,1) yang

persamaannya dapat dilihat pada persamaan (2.11).

3.1.3 Pembobotan PRNG

Setelah proses normalisasi data dilakukan, maka langkah selanjutnya adalah

mendapatkan bobot. Untuk mendapatkan nilai bobot tersebut menggunakan

fungsi Pseudo Random Number Generators (PRNG) (Chang, Wang, &

Zhou, 2012) dimana PRNG dapat melakukan simulasi, sampel statistic,

33

kriptografi dan hal-hal yang tidak dapat diprediksikan sebelumnya. Dalam

pemrograman computer PRNG merupakan hal yang cukup penting karena

dapat membuat program berjalan dengan melakukan nilai random yang

baik. Untuk persamaannya dapat dilihat pada persamaan (3.5) berikut ini:

+1 = + , (3.5)

Dari nilai yang dihasilkan oleh PRNG, maka dihitung kembali untuk

mendapatkan nilai bobot yang mempunyai rentang nilai dari [-1,1] sehingga

akan menghasilkan bobot (wij) (Chang, Wang, & Zhou, 2012) pada

persamaan (3.6).

= +1/ . (3.6)

3.1.4 Metode Jaringan Saraf Tiruan

Tahap berikutnya adalah memasukkan nilai-nilai dari formula faktor

eksternal ke dalam lapisan input. Pemodelan JST menggunakan tiga buah

lapisan, yaitu lapisan input, lapisan tersembunyi dan lapisan output yang

ditunjukkan pada gambar (2.1). Pada penelitian (Chang, Wang, & Zhou,

2012) menggunakan 24 neuron input, maka pada penelitian ini juga

menggunakan referensi lapisan input sebanyak 24. Pada Jaringan saraf

tiruan terdapat dua kali pembobotan yang proses pembobotannya dilakukan

secara feedforward (alur maju). Tahapan dapat dilihat pada gambar 3.3.

Yang pertama pada lapisan input terdapat 24 neuron yang berisi harga

saham yang telah diformulasikan dengan faktor eksternal dan ternormalisasi

yaitu pada hari ke-n sampai dengan hari ke-n24. Untuk mengitung nilai

bobot koneksi ke dalam lapisan tersembunyi menggunakan fungsi aktifasi

f(x) = sin (x). Untuk jumlah neuron pada lapisan tersembunyi dilakukan

secara random sehingga jumlahnya dapat lebih dari 1. Kemudian yang

kedua adalah bobot koneksi dari lapisan tersembunyi menuju ke lapisan

output juga dihitung menggunakan fungsi aktifasi sin (x).

Pembobotan dilakukan pada proses training (pelatihan), jika jumlah neurons

dan jumlah lapisan rendah maka dapat mengakibatkan nilai yang rendah

untuk bobot pada proses pelatihan (Chang, Wang, & Zhou, 2012). Desain

arsitektur untuk jumlah neuron pada masing-masing lapisan sangat berperan

34

dalam peningkatan akurasi. Oleh karena itu digunakan proses random untuk

menghasilkan jumlah neurons pada lapisan tersembunyi.

Pada lapisan output, terlebih dahulu mengoreksi tingkat erornya. Sehingga

output yang dihasilkan oleh JST adalah target atau prediksi harga saham

pada hari berikutnya. Target yang diinginkan mencapai galat terkecil yaitu

0,001 karena nilai yang mendekati nilai 0 merupakan nilai yang terbaik

untuk sebuah peramalan. Jika harga prediksi yang dikurangi harga aktualnya

lebih kecil dari harga sebenarnya maka proses perhitungan berhenti, namun

jika sebaliknya maka proses dilanjutkan untuk memperbaiki bobot dan local

optima dengan algoritma genetika.

FEn

Normalisasi

PRNG

Lap InputLap

Tersembunyi

Lap

Output

Sn+24

Sn

Sn+1

Sn+24

FEn+1

FEn+23

Gambar 3. 3 Proses Jaringan Saraf Tiruan

3.1.5 Metode Algoritma Genetika

Pada tahap dilakukan untuk membantu kinerja JST, yaitu apabila pada

jaringan saraf masih belum mendapatkan nilai terbaik maka algoritma

genetika melakukan pencarian koneksi dan bobot yang optimal. Nilai target

yang telah dihasilkan oleh JST dijadikan sebagai masukan pada algoritma

genetika yang digunakan untuk mencari bobot dan melakukan optimasi

terhadap bobot kromosom induk. Parameter untuk proses pencarian melalui

encode pada kromosom. Hasil pemilihaan kromosom induk dengan nilai

fitness terbaik diproses menggunakan tiga lapisan jaringan syaraf. Tahapan

35

dalam proses algoritma genetika adalah sebagai berikut (Chang, Wang, &

Zhou, 2012):

a. Pembobotan (t) dilakukan juga menggunakan PRNG, dengan panjang

kromosom t*8 dan jumlah populasinya 100 kromosom hasil dari JST

dapat dilihat pada gambar 3.4 nantinya akan dibinerkan menjadi gambar

3.5

0.710938 0.390635 .

1 2 n

Gambar 3. 4 Pembobotan (t)

1 0 1 1 0 1 1 0

0 1 1 1 0 0 1 0

1

2

Gambar 3. 5 Kromosom pada pembobotan (t)

Untuk menghitung nilai tersebut menggunakan persamaan (3.7) (Sutojo,

Mulyanto, & Suhartono, 2011) yang nilai r merupakan rentang nilai [-1 1]

sedangkan g merupakan gen:

= 1 + 2 1 (121 + 22

2 + + 2) , (3.7)

b. Proses pelatihan untuk mendapatkan bobot adalah meminimalkan nilai

fitness. Karena apabila nilai fitness yang dihasilkan besar maka akan

menghasilkan prediksi yang buruk. Normalisasi data saham

dilambangkan dengan si sehingga untuk mendapatkan keseluruhan

perbedaan jumlah stok maka dapat diformulasikan pada persamaan (3.8)

sebagai berikut:

1, . , = =1,.., . (3.8)

3.2 Uji Coba dan Analisis Hasil

Uji coba dan analisis hasil dijelaskan mengenai data uji coba, lingkungan

uji coba dan skenario uji coba dalam penelitian ini. Skenario uji coba yang

dilakukan yaitu uji coba validasi dan uji coba perbandingan dengan metode

36

peramalan lain untuk harga saham. Setelah tahapan pembuatan aplikasi selesai,

maka tahapan penelitian dilanjutkan dengan melakukan suatu uji coba terhadap

aplikasi yang telah dibuat untuk kemudian melakukan analisis dari hasil uji coba

yang telah dilakukan tersebut.

3.2.1 Data Uji

Data yang digunakan dalam penelitian ini adalah data sekunder yang

bersifat kuantitatif mengenai indeks harga saham penutupan harian (closing price)

dan jumlah saham yang diperdagangkan dari indeks harga saham. Adapun sumber

data pada penelitian ini diperoleh dari Dunia Investasi. Dengan pertimbangan

kondisi pasar modal yang relatif lebih stabil maka penelitian ini menggunakan

periode penelitian 2009-2012. Harga historis dari penutupan harian dan jumlah

saham yang diperdagangkan pada tahun 2009-2012 dipilih karena akan lebih

mencerminkan kondisi pasar yang sebenarnya sehingga hasil penelitian akan

dapat dijadikan informasi berharga bagi pelaku pasar modal.

Jumlah data yang digunakan oleh (Chang, Wang, & Zhou, 2012) yaitu

sejak 1 Januari 2008 - 31 Juni 2009 tidak termasuk hari libur. Data uji coba yang

digunakan ada dua bagian, yaitu 70% untuk data pelatihan sebanyak 254 dimulai

dari 2 Januari 2008 sampai dengan 31 Juni 2009 dan 30% sisanya digunakan

sebagai pengujian sebanyak 124 data. Sedangkan menurut klasifikasi

pengumpulannya, data yang digunakan adalah runtun waktu. Oleh karena itu, data

pelatihan yang akan digunakan dalam penelitian ini untuk pelatihan adalah data

tahun 2009-2011 dan data tahun 2012 digunakan sebagai data pengujian tanpa

memperhitungkan hari libur.

3.2.2 Lingkungan Uji Coba

Dalam penelitian ini, uji coba dilakukan dengan menggunakan komputer

berbasis laptop dengan spesifikasi Processor Intel(R) Core 2Duo yang memiliki

2.0 GHz dengan memory 2GB. Program penelitian dibuat dengan menggunakan

MATLAB versi R2010a. Program ini juga menggunakan Mocrosoft Excel untuk

membaca data yang akan dilakukan rekayasa statistik dan penyimpan data.

Skenario dan Pelaksanaan Uji Coba.

37

3.2.3 Skenario Uji Coba

Skenario uji coba dalam penelitian ini dilakukan dengan melakukan ujji

coba validasi dan juga melakukan uji coba dengan melakukan perbandingan. Baik

itu perbandingan dengan data actual untuk melihat tingkat akurasi maupun

membandingkan dengan hanya menggunakan salah satu metode peramalan saja.

a). Uji coba validasi

Uji coba validasi dilakukan dengan implementasi rumus (2.12) dan

(2.13). Uji validasi mempunyai tujuan untuk memastikan apakah model yang

dibuat menghasilkan peramalan yang cukup baik atau tidak. Jika peramalan

menghasilkan yang baik, maka akan lanjut pada tahap uji coba dengan

menggunakan data pengujian. Apabila tahap validasi tidak terlampaui, maka

dilakukan pengecekan ulang terhadap program.

Ukuran data hasil peramalan menggunakan Root Mean Squared Error

(RMSE) dan Mean Absolute Percentage Error (MAPE). RMSE digunakan untuk

melihat keakuratan hasil peramalan dibandingkan dengan data aktual. Ukuran

kedua adalah MAPE yang digunakan untuk melihat arah pergerakan peramalan

yang dapat membantu pengambilan keputusan bagi pelaku bisnis. Hasil peramalan

dikatakan bagus jika nilai RMSE minimum.

b). Uji coba perbandingan

Uji coba dilakukan dengan 3 tahapan antara lain :

- Membandingkan hasil peramalan harga saham yang telah

diformulasikan dengan faktor eksternal dengan harga saham aktual.

Perbandingan yang dimaksud adalah perbandingan nilai RMSE.

- Melakukan prediksi harga saham dengan menggunakan metode

peramalan jaringan syaraf tiruan saja tanpa algoritma genetika.

- Serta membandingkan prediksi harga saham yang menggunakan faktor

eksternal dengan prediksi harga saham yang tanpa melibatkan faktor

eksternal didalamnya.

38

3.3 Penulisan Laporan

Tahapan terakhir yang akan dilakukan dalam penelitian ini adalah

penulisan laporan penelitian. Laporan penelitian berisikan deskripsi jelas

mengenai tahapan-tahapan yang telah dilaksanakan selama penelitian. Laporan

penelitian juga berisikan pembahasan mendalam mengenai hasil dari penelitian

yang dilakukan beserta kesimpulan yang dapat ditarik dari pembahasan tersebut.

Secara umum, laporan yang akan dibuat terdiri dari lima bab utama yaitu:

pendahuluan, dasar teori, metode penelitian, pembahasan, dan kesimpulan.

3.4 Jadwal Kegiatan

Pelaksanaan penelitian ini direncanakan selama empat bulan. Dimana

tahapan yang akan dilakukan sesuai dengan alur metode penelitian seperti yang

diuraikan pada Gambar 3.1. pada Tabel 3.1 menunjukkan tahapan penelitian dan

waktu pengerjaan untuk setiap tahapannya.

3.5 Jadwal Penelitian

Rencana kegiatan penelitian ini akan dilaksanakan selama tujuh bulan.

Secara rinci pelaksanaan kegiatan penelitian ditunjukkan dalam Tabel 3.1.

Tabel 3. 1 Jadwal penelitian

No Kegiatan Januari Pebruari Maret April Mei Juni Juli

1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4

1 Identifikasi Masalah

2 Studi literature

3 Perumusan Masalah

4

Penetapan tujuan,

Batasan dan Kontribusi

penelitian

5 Desain Model

Peramalan

6 Uji coba dan

Analisis Hasil

7

Penyusunan

kesimpulan dan saran

8 Pembuatan laporan

39

4 DAFTAR PUSTAKA

Balestrassi, P., Popova, E., Paiva, A., & Lima, J. (2009). Design of Experiments

on Neural Networks Training for Nonlinear Time Series Forecasting.

Neurocomputing 72 , 11601178.

Bekiros, S. D. (2010). Fuzzy Adaptive Decision-Making for Boundedly Rational

Traders In Speculative Stock Markets. European Journal of Operational

Research 202 , 285293.

Chang, P. C., Wang, D. d., & Zhou, C. l. (2012). A Novel Model By Evolving

Partially Connected Neural Network For Stock Price. Expert Systems with

Applications 39 , 611620.

Dunia Investasi. (n.d.). Retrieved January 2013, from Dunia Investasi Web Site:

http://www.duniainvestasi.com

Horne, J. C. (2009). Fundamental of Financial Management : Prinsip-Prinsip

Manajemen Keuangan. Jakarta: Salemba Empat.

Kara, Y., Boyacioglu, M. A., & Baykan, O. K. (2011). Predicting Direction Of

Stock Price Index Movement Using Artificial Neural Networks And

Support Vector Machines: The Sample Of The Istanbul Stock Exchange.

Expert Systems with Applications 38 , 53115319.

Kewal, S. S. (2012). Pengaruh Inflasi, Suku Bunga, Kurs, Dan Pertumbuhan Pdb

Terhadap Indeks Harga Saham Gabungan. Jurnal Economia, Volume 8,

Nomor 1 , 53-64.

Kusumadewi, S. (2003). Artificial Intellegence. Jogjakarta: Graha Ilmu.

Lam, M. (2004). Neural Network Techniques For Financial Performance

Prediction: Integrating Fundamental and Technical Analysis. Decision

Support Systems 37 , 567-581.

Lui, Y. H., & Mole, D. (1998). The Use of Fundamental and Technical Analses

by Foreign Echange Dealers: Hong Kong Evidence. Journal of

International Money and Finance 17 , 535-545.

Pasaribu, R. B. (Juli 2008). Pengaruh Variabel Fundamental Terhadap Harga

Saham Perusahaan Go Public Di Bei. Jurnal Ekonomi dan Bisnis Vol 2

No. 2 , 101-113.

40

Pino, R., Parreno, J., Gomez, A., & Priore, P. (2008). Forecasting Next-Day Price

of Electricity in The Spanish Energy Market Using Artificial Neural

Networks. Engineering Applications of Artificial Intelligence 21 , 5362.

Prasetiono, D. W. (2010). Analisis Pengaruh Faktor Fundamental Ekonomi Makro

Dan Harga Minyak Terhadap Saham LQ45 Dalam Jangka. Indonesian

Applied Economics Vol. 4 No. 1 , 11-25.

Prohaska, Z., Uroda, I., & Suljic, S. (2011). SP - A Computer Program for

Fundamental Analysis of Stocks. MIPRO (pp. 1051-1056). Opatija,

Croatia: IEEE.

Rhee, S. G. (2009). Foreign institutional ownership and stock market liquidity:

Evidence from Indonesia. Journal of Banking & Finance 33 , 13121324.

Roh, T. H. (2007). Forecasting The Volatility of Stock Price Index. Expert

Systems with Applications 33 , 916922.

Septem, R. L. (2007). Model Prediksi Harga Saham Berdasarkan Histories Data

Dan Kondisi Terkini Dengan Menggunakan Metode Similar Sequence

Matching Dan Max-Min Ant System. Bandung: Tesis ITB.

Soemapradja, T. G. (n.d.). Binus University. Retrieved from

http://sbm.binus.ac.id/

Sutojo, T., Mulyanto, E., & Suhartono, V. (2011). Kecerdasan Buatan.

Yogyakarta: Andi .

Yu, L., Wang, S., & Keung, K. (2008). Forecasting Crude Oil Price with an

EMD-Based Neural Network Ensemble Learning Paradigm. Energy

Economics 30 , 2623-2635.

contoh proposal #1

Documents