contoh proposal #1
DESCRIPTION
bagussTRANSCRIPT
-
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
[Halaman ini sengaja dikosongkan]
-
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
[Halaman ini sengaja dikosongkan]
-
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
[Halaman ini sengaja dikosongkan]
-
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
[Halaman ini sengaja dikosongkan]
-
xiii
DAFTAR TABEL
Tabel 3. 1 Jadwal penelitian .................................................................................. 38
-
xiv
[Halaman ini sengaja dikosongkan]
-
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
[Halaman ini sengaja dikosongkan]
-
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
[Halaman ini sengaja dikosongkan]
-
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.