PREDIKSI HARGA PENUTUPAN SAHAM

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PREDIKSI HARGA PENUTUPAN SAHAM
MENGGUNAKAN FUZZY TIME SERIES
SKRIPSI
Diajukan Untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Komputer
Program Studi Teknik Informatika
Oleh
Fredericus Awan Gemilang
135314089
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2017
i
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
STOCK MARKET CLOSING PRICE FORECAST
USING FUZZY TIME SERIES
THESIS
Presented as Partial Fullfillment of the Requirements
To Obtain the Sarjana Komputer Degree
In Study Program of Informatics Engineering
By
Fredericus Awan Gemilang
135314089
INFORMATICS ENGINEERING STUDY PROGRAM
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2017
ii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
HALAMAN MOTTO
“Heiki Hetchara”
“Ceria, Semangat, dan Penuh Antusias”
“Sekarinotan, Bunga yang memberikan kebahagiaan ke seluruh dunia”
“Some are wise, and some are other wise” - Dormir
v
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
HALAMAN PERSEMBAHAN
Skripsi ini saya persembahkan kepada :
Vincentius Andi Andono
Laurentia Endang Ariyantini
vi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
viii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRAK
Harga Penutupan (Closing Price) adalah harga yang muncul saat bursa
tutup. Harga penutupan saham sangat penting karena menjadi acuan untuk harga
pembukaan di keesokan harinya. Harga penutupan biasanya digunakan untuk
memprediksi harga saham pada periode berikutnya. Prediksi harga saham di dunia
investasi menjadi hal yang penting untuk kegiatan jual-beli saham. Prediksi harga
saham dapat membantu pelaku pasar untuk memberikan saran mengenai harga
saham yang hendak dijual atau dibeli oleh pelaku pasar. Harapannya pelaku pasar
dapat keuntungan yang lebih maksimal.
Time Series atau data Runtun Waktu adalah serangkain nilai-nilai yang
disusun berdasarkan waktu. Analisis time series mempelajari pola gerakan nilainilai variabel dalam hal ini harga penutupan saham pada satu interval waktu
tertentu. Fuzzy Time Series Markov Chain merupakan penggabungan dari Time
Series dan sistem Fuzzy. Data saham penutupan diambil dari finance.yahoo.com,
kemudian dicari nilai maksimal dan minimal untuk pembuatan himpunan semesta.
Himpunan semesta dipartisi menjadi n-interval kemudian diberi fuzzy linguistik
dan digabungkan berdasarkan relasi pergerakan setiap waktu. Relasi ini akan
membentuk Fuzzy Linguistic Relationship Group yang dinyatakan dalam bentuk
matriks. Fuzzy linguistic relationship dikenai proses defuzzifikasi dan dihitung
nilai Mean Square Error (MSE) dan Average Forecasting Error Rate (AFER).
Hasil penelitian terhadap peramalan harga penutupan saham pada tahun
2011 hingga 2017 dengan menggunakan data saham IDX:TLKM, IDX:BBCA,
IDX:GGRM, dan IDX:BSDE. menghasilkan nilai AFER terkecil yaitu 0.5187%
dengan jumlah interval sebanyak 40 dan nilai MSE 6732. Sedangkan, nilai AFER
terbesar 2.9172%. didapat saat jumlah interval sebanyak 35 dan nilai MSE 2899.
Kata Kunci – Fuzzy Time Series, Harga Penutupan, Prediksi, Saham.
ix
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRACT
Closing Price is the price that appears when the stock market closes. Stock
closing price is very important because it becomes the reference for the opening
price in the next day. The closing price is usually used to predict stock price in the
next period. Predicted stock prices in the world of investment becomes an
important thing for stock trading activities. Its help market participants to provide
advice on the price of shares to be sold or bought by market participants. Hope the
market participants can earn maximum profits.
Time Series is a series of values compiled by time. Time series analysis
learn the pattern of the movement of variable values in this case stock closing
price at one time interval. Fuzzy time series markov chain is amalgamation
between Time Series and Fuzzy System. Stock closing data is taken from
finance.yahoo.com, then searched for maximum and minimum value for making
the set of universe. The set of the universe is partitioned into n-intervals then
given linguistic fuzzy and combined by the relation of movement every time. This
relationship will form the Fuzzy Linguistic Relationship Group expressed in
matrix form. Fuzzy linguistic relationship is subject to defuzzification process and
calculated Mean Square Error (MSE) and Average Forecasting Error Rate
(AFER).
The result of this research of stock closing price forecasting in 2011 to
2017 by using stock data of IDX:TLKM, IDX:BBCA, IDX:GGRM, and
IDX:BSDE. Produces the smallest AFER value is 0.5187% with the number of
intervals of 40 and the value of MSE 6732. Meanwhile, the largest AFER value
2.9172%. Obtained when the number of intervals of 35 and the value of MSE
2899.
Keyword – Fuzzy Time Series, Closing Price, Forecast, Stock.
x
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
KATA PENGANTAR
Puji dan syukur penulis panjatkan ke Tuhan Yang Maha Esa karena atas
berkat dan rahmat-Nya, penulis dapat menyelesaikan tugas akhir sesuai dengan
waktu yang telah ditentukan. Skripsi ini disusun sebagai salah satu syarat untuk
memperoleh gelar sarjana Teknik Informatika di Universitas Sanata Dharma
Yogyakarta.
Penulis telah menyadari bahwa tanpa melibatkan bantuan dan dukungan
banyak pihak skripsi ini sulit unutk selesai, namun berkat dukungan dan bantuan
dari banyak pihak, akhirnya skripsi ini dapat diselesaikan. Oleh sebab itu atas
bantuan dan dukungannya, penulis menghaturkan ucapan terima kasih kepada :
1. Tuhan Yang Maha Esa karena telah memberikan berkat dan memberikan
kekuatan selama proses penyelesaian tugas akhir.
2. Sudi Mungkasi, S.Si., M.Math., Ph.D., selaku dekan dari Fakultas Sains
dan Teknologi Universitas Sanata Dharma.
3. Dr. Anastasia Rita Widiawarti, S.Si., M.Kom., selaku ketua prodi teknik
informatika dan juga dosen mata kuliah Metopen yang membantu dalam
pembuatan proposal dan penulisan bab satu hingga bab tiga dan juga mata
kuliah lain yang beliau ajarkan.
4. Eko Hari Parmadi, S.Si., M.Kom. selaku dosen pembimbing yang telah
meluangkan waktu untuk membimbing penulis selama pembuatan skripsi
ini.
5. Orang tua, serta keluarga yang memberikan dukungan dalam bentuk
material dan non material, doa, dan motivasi dalam penyelesaian tugas
akhir.
6. Seluruh dosen Universitas Sanata Dharma atas ilmu yang telah diberikan
selama penulis menuntut ilmu di universitas Sanata Dharma dan sangat
membantu penulis dalam mengerjakan tugas akhir.
xi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
7. Teman-teman Teknik Informatika 2013 yang selalu memberi motivasi,
semangat dalam menyelesaikan tugas akhir ini.
8. Teman-teman TI’C 2013 meskipun tidak memberikan kontribusi apapun.
9. Komunitas Pop Culture “Teman Mira”, yang memberikan motivasi bagi
penulis untuk segera menyelesaikan skripsi ini.
10. Amalia Ayu Primastika, yang selalu menemani disaat penulis terlena akan
gaya hidup hedonisme.
xii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR ISI
HALAMAN JUDUL...................................................................................................... i
HALAMAN PERSETUJUAN ..................................................................................... iii
HALAMAN PENGESAHAN SKRIPSI ...................................................................... iv
HALAMAN MOTTO ................................................................................................... v
HALAMAN PERSEMBAHAN .................................................................................. vi
PERNYATAAN KEASLIAN KARYA ..................................................................... vii
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI..................................... viii
ABSTRAK ................................................................................................................... ix
ABSTRACT .................................................................................................................. x
KATA PENGANTAR ................................................................................................. xi
DAFTAR ISI .............................................................................................................. xiii
DAFTAR GAMBAR ................................................................................................. xvi
DAFTAR TABEL ..................................................................................................... xvii
BAB I PENDAHULUAN ............................................................................................. 1
1.1
Latar Belakang ............................................................................................... 1
1.2
Rumusan Masalah Penelitian ......................................................................... 2
1.3
Tujuan Penelitian ............................................................................................ 2
1.4
Batasan Masalah ............................................................................................. 3
1.5
Manfaat Penelitian .......................................................................................... 4
1.6
Metodologi Penelitian .................................................................................... 4
1.6.1
Pengumpulan Data .......................................................................................... 4
1.6.2
Perancangan Alat Uji ...................................................................................... 4
1.6.3
Pembuatan Alat Uji ......................................................................................... 5
1.6.4
Pengujian......................................................................................................... 5
1.6.5
Analisa Hasil ................................................................................................... 5
xiii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
1.7
Sistematika Penulisan Proposal ...................................................................... 5
BAB II LANDASAN TEORI ....................................................................................... 7
2.1
Saham ............................................................................................................. 7
2.1.1
Pengertian Saham............................................................................................ 7
2.1.2
Harga Penutupan Saham ................................................................................. 8
2.1.3
Fraksi Harga Saham ........................................................................................ 8
2.2
Logika Fuzzy .................................................................................................. 9
2.2.1
Pengertian Logika Fuzzy ................................................................................ 9
2.2.2
Himpunan Fuzzy ............................................................................................. 9
2.3
Times Series ................................................................................................. 11
2.3.1
Pengertian Times Series ................................................................................ 11
2.3.2
Fuzzy Time Series......................................................................................... 13
2.4
Mean Square Error ....................................................................................... 17
2.5
Average Forecasting Error Rate ................................................................... 17
BAB III METODOLOGI PENELITIAN.................................................................... 18
3.1
Pengumpulan Data ....................................................................................... 18
3.2
Spesifikasi Perangkat Lunak dan Perangkat Keras ...................................... 18
3.2.1
Perangkat Keras (Hardware) ......................................................................... 18
3.2.2
Perangkat Lunak (Software) ......................................................................... 19
3.3
Desain Perancangan Alat Uji ....................................................................... 19
BAB IV ANALISA DAN DESAIN SISTEM ............................................................ 21
4.1
Perancangan Model Fuzzy Time Series ....................................................... 21
4.1.1
Mempersiapkan Data .................................................................................... 22
4.1.2
Mendapatkan Nilai Tertinggi dan Terendah ................................................. 22
4.1.3
Menghitung rentang Interval......................................................................... 23
4.1.4
Membuat Fuzzy Linguistic pada setiap Interval ........................................... 24
4.1.5
Membuat FLRG (Fuzzy Linguistic Relationship Group) ............................. 24
4.1.6
Membuat Matrix ........................................................................................... 25
4.1.7
Defuzzyfikasi ................................................................................................ 27
4.1.8
Adjusting ....................................................................................................... 28
4.1.9
Penghitungan Error ....................................................................................... 30
xiv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4.2
Perancangan Sistem ...................................................................................... 31
4.2.1
Use Case........................................................................................................ 32
4.2.2
Diagram Activity .......................................................................................... 36
4.2.3
Diagram Sequence ........................................................................................ 39
4.2.4
Diagram Kelas .............................................................................................. 42
4.3
Perancangan Antar Muka ............................................................................. 43
BAB V IMPLEMENTASI DAN ANALISA HASIL ................................................. 45
5.1
Implementasi ................................................................................................ 45
5.1.1
Implementasi Tampilan Antar Muka ............................................................ 45
5.1.2
Implementasi Fuzzy Time Series .................................................................. 46
5.2
Analisa Hasil ................................................................................................ 53
BAB VI KESIMPULAN DAN SARAN .................................................................... 76
6.1
Kesimpulan ................................................................................................... 76
6.2
Saran ............................................................................................................. 77
DAFTAR PUSTAKA ................................................................................................. 78
xv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR GAMBAR
Gambar 2. 1 Himpunan Muda, Parobaya dan Tua ...................................................... 10
Gambar 2. 2 Himpunan Fuzzy Untuk Variabel Umur ................................................ 10
Gambar 4. 1 Diagram Alir Fuzzy Time Series ........................................................... 21
Gambar 4. 2 Relasi Linguistik .................................................................................... 29
Gambar 4. 3 Diagram Use Case .................................................................................. 32
Gambar 4. 4 Diagram Activity Menginputkan Data ................................................... 36
Gambar 4. 5 Diagram Activity Training Data ............................................................ 37
Gambar 4. 6 Diagram Activity Peramalan Data ......................................................... 38
Gambar 4. 7 Diagram Sequence Menginputkan Data ................................................. 39
Gambar 4. 8 Diagram Sequence Training Data .......................................................... 40
Gambar 4. 9 Diagram Sequence Peramalan Data ....................................................... 41
Gambar 4. 10 Diagram kelas ....................................................................................... 42
Gambar 4. 11 Desain Interface HomeView ................................................................ 43
Gambar 4. 12 Desain Interface ForecastView ............................................................ 44
Gambar 5. 1 Implementasi Interface HomeView ....................................................... 45
Gambar 5. 2 Implementasi Interface ForecastView .................................................... 46
xvi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR TABEL
Tabel 2. 1 Tabel Fraksi Harga Saham ........................................................................... 8
Tabel 3. 1 Tabel Spesifikasi Hardware (Komputer) ................................................... 18
Tabel 4. 1 Tabel Data Pemodelan ............................................................................... 22
Tabel 4. 2 Tabel Interval ............................................................................................. 23
Tabel 4. 3 Tabel Fuzzy Linguistic............................................................................... 24
Tabel 4. 4 Tabel Data Fuzzifikasi ............................................................................... 24
Tabel 4. 5 Tabel Fuzzy Linguistic Relationship ......................................................... 25
Tabel 4. 6 Tabel Fuzzy Linguistic Relationship Group .............................................. 25
Tabel 4. 7 Tabel Matrix ............................................................................................... 26
Tabel 4. 8 Tabel Matrix Probabilitas .......................................................................... 26
Tabel 4. 9 Hasil Peramalan ......................................................................................... 28
Tabel 4. 10 Hasil Modeling......................................................................................... 30
Tabel 4. 11 Penghitungan MSE dan AFER ............................................................... 31
Tabel 5. 1 Tabel Hasil Pengujian PT Gudang Garam Tbk. (IDX: GGRM) Dataset
2010 interval 15........................................................................................................... 53
Tabel 5. 2 Tabel MSE dan AFER PT Gudang Garam Tbk. (IDX: GGRM) ............... 60
Tabel 5. 3 Tabel MSE dan AFER PT Bank Central Asia Tbk. (IDX: BBCA) ........... 63
Tabel 5. 4 Tabel MSE dan AFER PT Bumi Serpong Damai Tbk. (IDX: BSDE) ...... 66
Tabel 5. 5 Tabel MSE dan AFER PT Telekomunikasi Indonesia (Persor) Tbk.
(IDX: TLKM)............................................................................................................. 69
Tabel 5. 6 Tabel Hasil Peramalan PT Gudang Garam Tbk. (IDX: GGRM) Januari
2011 dengan data 2010................................................................................................ 72
Tabel 5. 7 Tabel Hasil Peramalan PT Gudang Garam Tbk. (IDX: GGRM) ............... 74
xvii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Tabel 5. 8 Tabel Hasil Peramalan PT Bank Central Asia Tbk. (IDX: BBCA) ........... 74
Tabel 5. 9 Tabel Hasil Peramalan PT Bumi Serpong Damai Tbk. (IDX: BSDE) ...... 75
Tabel 5. 10 Tabel Hasil Peramalan PT Telekomunikasi Indonesia (Persor) Tbk.
(IDX: TLKM).............................................................................................................. 75
xviii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB I
PENDAHULUAN
1.1 Latar Belakang
Pasar modal merupakan pasar untuk berbagai instrumen keuangan
jangka panjang yang bisa diperjual-belikan, baik dalam bentuk hutang
maupun modal sendiri, baik yang diterbitkan oleh pemerintah, public
authorities, maupun perusahaan swasta, sehingga mempunyai peran yang
penting dalam investasi finansial. Prediksi harga saham di dunia investasi
menjadi hal yang penting untuk kegiatan jual-beli saham di Bursa Efek,
karena dengan memprediksi harga saham tersebut akan membantu pelaku
pasar untuk melaksanakan transaksi jual-beli suatu saham perusahaan dan
mendapatkan keuntungan yang lebih maksimal.
Time series merupakan salah satu metode yang dapat digunakan
untuk memprediksi harga saham. Time series adalah suatu rangkaian
pengamatan berdasarkan urutan waktu dari karakteristik kuantitatif dari
satu atau kumpulan kejadian yang diambil dalam periode waktu tertentu.
Time series kemudian dapat diproses menggunakan sistem fuzzy. Metode
ini dikenal sebagai Fuzzy time series.
Fuzzy time series memiliki keunggulan yaitu prosesnya tidak
membutuhkan sistem pembelajaran yang kompleks dan bersifat dinamik
dari suatu variabel linguistik yang nilai linguistiknya himpunan fuzzy.
Fuzzy time series dikembangkan oleh beberapa peneliti. Aristyani dan
Sugiharti, (2015) menggunakan fuzzy time series markov chain untuk
memprediksi Index Harga Saham Gabungan dengan nilai MSE (Mean
Square Error) sebesar 9827,1292. Sedangkan Suresh, dkk, (2009)
menggunakan fuzzy time series markov chain untuk memprediksi jumlah
mahasiswa yang mendaftar di Universitas Alabama dan menghasilkan
1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2
nilai AFE (Average Forecasting Error) sebesar 1.49%. Peneliti lainnya
yaitu Tsaur, (2011) menggunakan fuzzy time series untuk memprediksi
nilai tukar mata uang dolar Taiwan dengan dolar Amerika Serikat yang
menghasilkan nilai MAPE (Mean Absolute Percentage Error) sebesar
0.6092.
Penelitian ini akan menerapkan metode fuzzy time series untuk
meramalkan harga penutupan saham atau closing price dari berbagai
perusahaan, sehingga calon pengguna sistem ini dapat meramalkan
kenaikan atau penurunan dari harga penutupan saham atau closing price
dari suatu perusahaan. Akurasi dari peramalan harga penutupan saham
dihitung menggunakan Average Forecasting Error Rate (AFER) dan
Mean Square Error (MSE).
1.2 Rumusan Masalah Penelitian
Dengan melihat latar belakang masalah, terdapat beberapa masalah
yang dirumuskan sebagai berikut:
1. Bagaimana cara melakukan prediksi harga penutupan saham
menggunakan fuzzy time series?
2. Berapa akurasi fuzzy time series untuk peramalan penutupan harga
saham?
1.3 Tujuan Penelitian
Tujuan yang ingin dicapai menurut rumusan masalah penelitian ini
adalah sebagai berikut :
1. Membuat sistem untuk meramalkan penutupan harga saham dengan
metode fuzzy time series.
2. Mengetahui akurasi dari metode fuzzy time series untuk meramalkan
harga penutupan saham atau closing price.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3
1.4 Batasan Masalah
Untuk menghindari pembahasan yang terlalu luas maka peneliti
membatasi penelitian ini dengan hal – hal sebagai berikut:
1. Data yang digunakan adalah harga saham penutupan dari perusahaan
PT Gudang Garam Tbk (IDX: GGRM), PT Telekomunikasi Indonesia
(Persor) Tbk (IDX: TLKM), PT Bank Central Asia Tbk (IDX: BBCA),
PT Bumi Serpong Damai Tbk (IDX: BSDE) dalam harian yang diambil
dari finance.yahoo.com dari tahun 2010 hingga tahun 2016 untuk
pengujian dan menggunakan data 2011 hingga 2017 untuk melakukan
peramalan..
2. Perhitungan
akurasi
peramalan
menggunakan
metode
Average
Forecasting Error Rate (AFER) dan Mean Square Error (MSE).
3. Penentuan interval terbaik untuk peramalan dilakukan menggunakan
data pada tahun 2010 hingga tahun 2016 dengan membandingan data
nyata dengan data hasil forecasting tiap tahunnya.
4. Peramalan dengan menggunakan data harga penutupan selama satu
tahun pada t-1 (Januari sampai dengan Desember) untuk meramalkan
data tahun t bulan Januari.
5. Variabel jumlah interval yang digunakan adalah 15,20,25,30,35,40.
Sedangkan d1 dan d2 adalah 50,100,150
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4
1.5 Manfaat Penelitian
Bila penelitian ini berhasil dilaksanakan akan mendapatkan
manfaat seperti berikut :
1. Membantu pembeli saham dan penjual saham untuk melakukan prediksi
pergerakan harga penutupan saham sehingga dapat mendapatkan
keuntungan yang besar.
2. Meminimalisir kerugian saat pembeli atau penjual saham melaksanakan
transaksi jual-beli saham.
1.6 Metodologi Penelitian
Metodologi penelitian dan langkah-langkah yang digunakan dalam
penelitian ini adalah sebagai berikut:
1.6.1 Pengumpulan Data
Data yang digunakan adalah harga saham penutupan dari perusahaan
PT Gudang Garam Tbk (IDX: GGRM), PT Telekomunikasi
Indonesia (Persor) Tbk (IDX: TLKM), PT Bank Central Asia Tbk
(IDX: BBCA), PT Bumi Serpong Damai Tbk (IDX: BSDE) dalam
harian yang diambil dari finance.yahoo.com dari tahun 2010 hingga
tahun 2017
1.6.2 Perancangan Alat Uji
Alat uji dirancang dengan pendekatan object-oriented. Desain alat
uji digambarkan menggunakan Use Case, Skenario Use Case, Class
Diagram, Activity Diagram, dan Sequence Diagram sistem,
Perhitungan prediksi harga saham dimodelkan menggunakan fuzzy
time series. Model yang telah dibuat dirancang ke dalam User
Interface.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
5
1.6.3 Pembuatan Alat Uji
Pembuatan alat uji menggunakan bahasa pemrograman Java, dan
menggunakan library JFreeChart untuk menggambarkan grafik dari
saham yang diinputkan dan hasil peramalan pengujian.
1.6.4 Pengujian
Pengujian alat uji akan digunakan untuk mencari interval yang
optimal berdasarkan nilai Mean Square Error terkecil. Interval ini
akan digunakan dalam proses peramalan data harga penutupan
saham. Jumlah interval yang digunakan adalah 15, 20, 25, 30, 35, 40
dan D1, D2 yang digunakan adalah 50,100,150
1.6.5 Analisa Hasil
Analisis hasil dan kesimpulan dari penelitian ini dihitung
menggunakan AFER (Average Forecasting Error Rate) dan juga
MSE (Mean Square Error) dari hasil peramalan menggunakan
dataset tahun t untuk meramalkan bulan Januari di tahun t+1.
1.7 Sistematika Penulisan Proposal
Sistem penulisan dibagi menjadi beberapa bab, yaitu:
a. Bab I : Pendahuluan
Bab ini berisi tentang latar belakang, rumusan masalah, tujuan
penelitian, batasan masalah, manfaat penelitian, metode penelitian, dan
sistematika penulisan.
b. Bab II : Landasan Teori
Bab ini berisi uraian singkat mengenai dasar teori yang digunakan
dalam penelitian ini untuk merancang dan membangun sistem.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
6
c. Bab III : Metodologi Penelitian
Bab ini berisi mengenai data yang akan digunakan, spesifikasi
perangkat lunak dan perangkat keras dan metode desain perancangan alat
uji.
d. Bab IV : Analisa dan Desain Sistem
Bab ini berisi mengenai analisis kebutuhan sistem dan gambaran
umum perancangan sistem. Perancangan sistem yang dibuat meliputi
perancangan metode fuzzy time series, perancangan sistem (Use Case,
Skenario Use Case, Class Diagram, Activity Diagram, dan Sequence
Diagram), perancangan antar muka.
e. Bab V : Implementasi, Pengujian dan Analisa Hasil Penelitian
Bab ini berisi mengenai hasil implementasi perancangan antar
muka, implementasi fuzzy time series ke dalam program, dan hasil
pengujian sistem yang diuji dengan menggunakan dataset dari tahun 2010
hingga tahun 2016 untuk mendapatkan interval yang optimal dan
peramalan data menggunakan interval optimal untuk meramalkan bulan
januari tahun 2011 hingga tahun 2017 menggunakan dataset tahun 2010
hingga tahun 2016
f. Bab VI : Kesimpulan dan Saran
Bab ini berisi kesimpulan dari hasil penelitian yang telah dilakukan
dan saran-saran untuk penelitian selanjutnya.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB II
LANDASAN TEORI
2.1 Saham
2.1.1 Pengertian Saham
Saham merupakan salah satu yang banyak diminati oleh investor
di bursa efek (stock exchange). Saham dapat didefinisikan sebagai
tanda atau pemilikan seseorang atau badan dalam suatu perusahaan
atau perseroan terbatas. Saham berwujud selembar kertas yang
menerangkan bahwa pemilik kertas adalah pemilik perusahaan yang
menerbitkan surat berharga tersebut. Porsi kepemilikan ditentukan
oleh seberapa besar penyertaan yang ditanamkan di perusahaan
tersebut.”. (Darmaji dan Fakhrudi, 2006)
Saham dikenal dengan karakteristik “imbal hasil tinggi, resiko
tinggi ”. Artinya, saham merupakan surat berharga yang memberikan
peluang keuntungan dan potensi resiko yang tinggi. Saham
memungkinkan investor untuk mendapatkan imbalan hasil atau capital
gain yang besar dalam waktu singkat. Namun seiring berfluktuasinya
harga saham, maka saham juga dapat membuat investor mengalami
kerugian besar dalam waktu singkat. Pembentukan harga saham terjadi
karena adanya permintaan dan penawaran atas saham tersebut. Dengan
kata lain, harga saham terbentuk atas permintaan dan penawaran
saham.
“Nilai pasar saham adalah harga suatu saham pada pasar yang sedang
berlangsung di bursa efek. Apabila bursa efek telah tutup maka harga
pasar adalah harga penutupannya.” (Sunariyah, 2006).
7
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
8
2.1.2 Harga Penutupan Saham
Harga Penutupan (Closing Price) adalah harga yang muncul saat
bursa tutup, harga pasar saham yang saat itu sedang berlaku akan
menjadi harga penutupan untuk hari itu. Harga penutupan saham hari
itu juga akan menjadi acuan harga pembukaan untuk keesokan harinya.
Setelah dibuka sejak pagi jam 9:00 WIB, pasar atau bursa saham akan
ditutup pada sore hari. Tepat jam 16:00 WIB, transaksi jual-beli saham
di Bursa Efek Indonesia dihentikan dan akan dilanjutkan pada esok
hari.
2.1.3 Fraksi Harga Saham
Saat melakukan transaksi saham, harga penawaran dan
penawaran serta permintaan tidak sembarangan. Ada prosedur yang
mengatur
sehingga memiliki keseragaman. Pengaturan jumlah
kelipatan permintaan dan penawaran ini disebut sebagai fraksi harga
saham. Besar kecilnya fraksi harga saham tergantung dari harga
saham. Semakin tinggi harga suatu saham, semakin besar fraksi harga
saham yang digunakan. Pihak yang menentukan besar kecilnya fraksi
harga saham ini adalah Bursa Efek Indonesia (BEI), berikut adalah
fraksi harga yang ditentukan :
Tabel 2. 1 Tabel Fraksi Harga Saham.
Kelompok
Fraksi Harga Saham
Maksimum Fraksi
Harga Saham
(Tick Price)
(Max. Price Movement)
< Rp 200,-
Rp 1,-
Rp 10,-
Rp 2,-
Rp 20,-
Rp 5,-
Rp 50,-
Rp 200,- sd <
Rp 500,Rp 500,- sd <
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
9
Rp 2000,Rp 2000,- sd <
Rp 5000,Rp 5000,- >
Rp 10,-
Rp 100,-
Rp 25,-
Rp 500,-
2.2 Logika Fuzzy
2.2.1 Pengertian Logika Fuzzy
Logika fuzzy merupakan pengembangan dari logika Crisp atau
logika tegas yang hanya memiliki nilai 1 atau 0. Sedangkan logika
fuzzy mempunyai nilai dari 0 hingga 1 yang didefinisikan sebagai
derajat keanggotaan dari himpunan fuzzy tersebut. (Kusumadewi,
2013)
2.2.2 Himpunan Fuzzy
Menurut Kusumadewi (2013) pada himpunan tegas (crisp) nilai
keanggotaan suatu nilai x dalam suatu himpunan A sering ditulis
dengan µA[x] memiliki dua kemungkinan yaitu, :
1.
Satu (1), yang berarti bahwa suatu item menjadi anggota suatu
himpunan.
2.
Nol (0), yang berarti bahwa suatu item menjadi anggota suatu
himpunan.
Nilai keaggotaan secara grafis, himpunan MUDA, PAROBAYA, dan
TUA ini dapat dilihat pada gambar berikut:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
10
Gambar 2. 1 Himpunan Muda, Parobaya dan Tua.
Pada gambar 2. 1 dapat dijelaskan bahwa
1. Apabila seseorang berusia 34 tahun, maka ia dikatakan muda.
2. Apabila seseorang berusia 35 tahun, maka ia dikatakan tidak
muda.
3. Apabila seseorang berusia 35 tahun kurang 1 hari maka ia tidak
parobaya.
Berdasarkan contoh di atas, pemakaian himpunan crisp untuk
menyatakan umur sangat tidak adil. Adanya perubahan sedikit saja
pada suatu nilai mengakibatkan perbedaan kategori yang cukup
signifikan. Himpunan fuzzy digunakan untuk mengatisipasi hal
tersebut. Seseorang dapat masuk dalam dua himpunan yang berbeda,
MUDA dan PAROBAYA, PAROBAYA dan TUA, dan sebagainya.
Seberapa besar ekstensinya dalam himpunan tersebut dapat dilihat
pada nilai keanggotaannya.
Gambar 2. 2 Himpunan Fuzzy Untuk Variabel Umur.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
11
Pada gambar 2. 2 dapat dilihat bahwa :
1. Seseorang yang berumur 40 tahun. Termasuk dalam himpunan
MUDA dengan µMUDA[40] = 0,25; namun ia juga termasuk
dalam himpunan PAROBAYA dengan µPAROBAYA[40] = 0,5.
2. Seseorang yang berumur 50 tahun, termasuk dalam himpunan
TUA dengan µTUA[50] = 0,25; namun ia juga termasuk dalam
himpunan PAROBAYA dengan µPAROBAYA[50] = 0,5.
2.3 Time Series
2.3.1 Pengertian Time Series
Time Series atau data Runtun Waktu adalah serangkain nilainilai yang disusun berdasarkan waktu, analisis time series
mempelajari pola gerakan nilai-nilai variabel pada satu interval
waktu. Menurut Render dkk (2003), Time Series berarti memecah
data lampau menjadi komponen-komponen dan memproyeksikannya
ke depan. Dengan kata lain, tujuan analisis data runtun waktu adalah
mengidentifikasi komponen faktor yang dapat mempengaruhi nilai
dalam data, sehingga dapat digunakan untuk peralaman jangka
pendek maupun jangka panjang.
Pada umumnya, suatu data time series dapat terdiri dari
beberapa komponen yaitu:
a. Trend (T)
Trend merupakan komponen jangka panjang yang menunjukan
kenaikan atau penurunan dalam data runtun waktu untuk suatu
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
12
periode waktu tertentu. Dengan lebih sederhana, dapat dinyatakan
bahwa trend adalah suatu garis halus atau kurva yang
menunjukkan suatu kecenderungan umum dari suatu data.
b. Cycles (C)
Cycles merupakan deret tidak beraturan berupa fluktuasi
gelombang atau siklus dengan durasi waktu yang panjang.
Komponen ini biasanya berhubungan dengan siklus bisnis,
dimana suatu gerakan dianggap sebagai siklus apabila timbul
kembali setelah jangka waktu lebih dari satu tahun.
c. Seasonality (S)
Seasonality adalah suatu pola dari fluktuasi permintaan (demand)
di atas atau dibawah garis trend yang terjadi setiap tahunnya.
Fluktuasi musiman yang dimaksud dapat diklarifikasikan secara
kuartal, bulanan, mingguan, atau harian, dan mengarah ke pola
yang berubah secara regular dalam suatu waktu.
d. Irregular (I)
Irregular adalah gerakan sporadis atau flutuasi yang diakibatkan
oleh kejadian yang tidak dapat diprediksi atau kerjadian nonperiodik.
Dalam Statistika, ada dua bentuk umum dari pemodelan data
runtun waktu. Model yang pertama adalah multiplicative model yang
mengasumsikan bahwa data berkala Y yang merupakan nilai variabel
time series merupakan hasil perkalian dari keemapat komponen,
yaitu
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
13
Model kedua adalah additive model yang menggunakan operator
penjumlahan unutk menjumlahkan keempat data runtun waktu dan
dinyatakan dalam bentuk persamaan seperti berikut:
Selain itu, dalam time series, asumsi penting yang biasanya
digunakan adalah stasioneritas data. Stasioneritas terkait dengan
konsistensi pergerakan data time series. Suatu data time series
dikatakan tidak stasioner apabila nilai rata-rata dan variannya
bervariasi sepanjang waktu, dengan kata lain data dikatakan stasioner
apabila nilai rata rata dan variannya bergerak stabil dan konvergen
sekitar nilai rata-ratanya tanpa mengalami fluktuasi pergerakan trend
positif dan negatif.
2.3.2 Fuzzy Time Series Markov Chains
Pada perkembangan sistem fuzzy, Arkov dan Kulikov,
memperkenalkan dan mengembangkan suatu metode peramalan time
series markov chain yang memiliki keunggulan fleksibilitas dan
dapat diaplikasikan ke sistem linear dan sistem nonlinear, Siagian
(2006), menyatakan bahwa rantai markov (markov chain) adalah
suatu metode yang mempelajari sifat-sifat suatu variabel pada masa
sekarang yang didasarkan pada sifat-sifatnya di masa lalu dalam
usaha menaksir sifat-sifat variabel tersebut di masa yang akan
datang.yang kemudian dikembangkan oleh Tsaur untuk peramalan
pertukaran mata uang, dan Suresh dkk untuk meramalkan jumlah
mahasiswa yang mendaftar di universitas alabama.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14
Berikut langkah-langkah penerapan fuzzy time series markov chains:
1. Mendapatkan nilai terbesar dan terendah
Nilai tertinggi dan Terendah digunakan untuk menentukan
himpunan semester (U) yang ditulis seperti berikut:
Umax dan Umin adalah nilai terbesar dan terkecil dari suatu
dataset, sedangkan D1 adalah bilangan real yang ditentukan oleh
user untuk memperlebar batas bawah interval dan D2 adalah
bilangan real yang ditentukan oleh user untuk memperlebar batas
atas interval..
2. Menghitung rentang Interval
Banyaknya interval adalah sebuah bilangan real yang ditentukan
sendiri oleh user, dan lompatan interval dapat dihitung
menggunakan rumus:
Umax adalah nilai tertinggi data sedangkan Umin adalah nilai
terendah data, dan interval adalah bilangan real yang dipilih oleh
user, kemudian membuat rentang sebanyak interval dengan
dengan jarak sebesar Lompatan Interval.
3. Membuat Fuzzy Linguistic pada setiap Interval
Definisikan himpunan-himpunan fuzzy At yang terbentuk
menggunakan interval yang yang telah terpecah. Himpunan
variabel fuzzy At menunjukkan variabel linguistik dari setiap
interval
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
15
4. Membuat FLRG (Fuzzy Linguistic Relationship Group)
Fuzzifikasi data dengan menggunakan mengkategorikan setiap
data mentah ke interval sehingga didapatkan relasi antar setiap
linguistik berdasarkan perubahan data setiap waktu. Dengan
menggunakan perubahan tersebut gabungkan setiap perubahaan
menjadi 1 grup setiap linguistik Ai.
5. Membuat matrix probabilitas
Menghitung probabilitas dalam suatu matrix R
Digunakan rumus berikut ini
Pij, adalah probabilitas perubahan state Ai ke Aj
Sij, adalah jumlah transisi dari state Ai ke Aj
Si, adalah jumlah data yang berada di state Ai
6. Defuzzifikasi
Proses defuzzifikasi dengan metode Tsaur memiliki dua aturan
yaitu:
- Aturan 1
Apabila Relasi Fuzzy Relationship dari Ai adalah One to One (Ai
→ Aj)
,maka
Dimana Ft adalah hasil peramalan dan Mk adalah nilai tengah dari interval Uk
- Aturan 2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
16
Apabila Relasi Fuzzy Relationship dari Ai adalah One to Many (Ai
→ Aj,
Ak) ,maka
7. Adjusting
Untuk mengurangi error dari peramalan maka nilai peramalan
akan dilakukan perhitungan Adjust atau nilai kecenderungan,
perhitungan Adjust memiliki aturan seperti berikut:
Aturan 1 : Jika state Ai berhubungan dengan Ai, dimulai dari
state Ai pada waktu t – 1 sebagai Y(t-1) = Ai, dan membuat
transisi menaik ke state Aj pada waktu t dimana (i < j), maka
Dimana l adalah nilai basis interval.
Aturan 2 : Jika state Ai berhubungan dengan Ai, dimulai dari
state Ai pada waktu t – 1 sebagai Y(t-1) = Ai, dan membuat
transisi menurun ke state Aj pada waktu t dimana (i > j), maka
Aturan 3 : Jika state Ai berhubungan dengan Ai, dimulai dari
state Ai pada waktu t – 1 sebagai Y(t-1) = Ai, dan membuat
transisi melompat ke state Aj+s pada waktu t dimana (1 ≤ s ≤ n i), maka
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
17
Aturan 4 : Jika state Ai berhubungan dengan Ai, dimulai dari
state Ai pada waktu t – 1 sebagai Y(t-1) = Ai, dan membuat
transisi melompat kebelakang state Aj+v pada waktu t dimana (1
≤ v ≤ i), maka
2.4 Mean Square Error
Mean Squared Error (MSE) adalah metode lain untuk mengevaluasi
metode peramalan dengan rumus:
Dengan Ai menunjukan nilai harga saham penutupan yang sebenarnya, Fi
harga saham penutupan hasil peramalan ke-I dan berjumlah n. Semakin tinggi
nilai dari Mean Square Error maka semakin besar error dari peramalan.
Semakin rendah nilai Mean Square Error maka semakin akurat peramalan
tersebut.
2.5 Average Forecasting Error Rate
Average
Forecasting
Error
Rate
(AFER)
dihitung
dengan
menggunakan rumus:
Dengan Ai menunjukan nilai harga saham penutupan yang sebenarnya, Fi
harga saham penutupan hasil peramalan ke-I dan berjumlah n. AFER
mengindikasikan seberapa besar kesalahan dalam meramal yang dibandingkan
dengan nilai nyata. Semakin tinggi nilai dari Average Forecasting Error Rate
maka semakin besar error dari peramalan. Semakin rendah nilai Average
Forecasting Error Rate maka semakin kecil error dari peramalan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB III
METODOLOGI PENELITIAN
3.1 Pengumpulan Data
Data penelitian harga saham penutupan dengan menggunakan lima
perusahaan yang mewakili berbagai sektor yaitu : PT Gudang Garam Tbk
(IDX: GGRM), PT Telekomunikasi Indonesia (Persor) Tbk (IDX: TLKM),
PT Bank Central Asia Tbk (IDX: BBCA), PT Bumi Serpong Damai Tbk
(IDX: BSDE) dalam harian yang diambil dari finance.yahoo.com dari tahun
2010 hingga tahun 2016 dan Januari 2017.
3.2 Spesifikasi Perangkat Lunak dan Perangkat Keras
Penerapan fuzzy time series untuk meramalkan harga penutupan saham,
menggunakan berbagai macam software dan hardware. Adapun hardware dan
software yang digunakan untuk pembuatan dan pengujian alat uji adalah
sebagi berikut:
3.2.1 Perangkat Keras (Hardware)
Perangkat keras berikut ini akan digunakan untuk membuat
dan menguji sistem. Spesifikasi perangkat keras adalah sebagai
berikut:
Tabel 3. 1 Tabel Spesifikasi Hardware (Komputer).
Platform
Notebook-PC
Processor
Intel® Core™ i5-5200U @ 2.2GHz
18
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
Memory
4GB DDR3
1TB SATA III 2.5” Drive
Hard Drive
Graphic Prosessing Unit
Operating System
NVIDIA GeForce GTX 940m
Microsoft® Windows™ 10 Home
3.2.2 Perangkat Lunak (Software)
Perangkat lunak yang digunakan untuk pembuatan sistem
adalah NetBeans sebagai IDE untuk pembuatan sistem dan
menggunakan Microsoft® Excel™ 2016 untuk pembuatan model dan
penghitungan secara manual, selain itu juga menggunakan Microsoft®
Visio™ 2016 untuk pembuatan desain diagram seperti DFD, Use
Case, dan lain-lain.
3.3 Desain Perancangan Alat Uji
Metode pengembangan sistem atau Software Development Life Cycle
yang digunakan merancang alat uji adalah Metode Waterfall. Model
pengembangan ini dilakukan secara sistematis. Berikut adalah tahapannya :
- Analisa
Dalam tahap ini dilakukan analisa terhadap kebutuhan sistem. Seorang
sistem analisis bertugas dalam mencari informasi sebanyak mungkin apa saja
yang dibutuhkan dalam pengembangan perangkat lunak. Tahapan ini
menghasilkan dokumen user requirement.
- Desain
Dalam tahap ini dilakukan proses membuat rancangan alat uji berdasarkan
informasi dari tahap analisa. Proses ini berfokus pada pembuatan struktur
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
data, arsitektur perangkat lunak, represantasi interface, dan detail algoritma.
Tahapan ini akan menghasilkan dokumen yang disebut software requirement.
- Pengkodean (Coding)
Coding merupakan tahap dimana desain yang telah dibuat diterjemahkan
ke dalam bahasa pemrograman komputer. Coding menghasilkan alat uji dalam
bentuk perangkat lunak.
- Pengujian
Pada tahap ini alat uji yang telah dibuat di langkah coding diuji coba
apakah perangkat lunak tersebut sudah sesuai dengan rancangan. Selain itu,
pengujian dilakukan untuk menemukan bug yang kemudian diperbaiki.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB IV
ANALISA DAN DESAIN SISTEM
4.1 Perancangan Model Fuzzy Time Series
Fuzzy Time Series memiliki alir seperti berikut:
Gambar 4. 1 Diagram Alir Fuzzy Time Series
21
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22
4.1.1 Mempersiapkan Data
Data yang digunakan dapat diambil dari finance.yahoo.com.
pengguna dapat menggunakan data suatu perusahaan dalam suatu
rentang waktu untuk melakukan peramalan. Untuk pemodelan data
yang digunakan adalah data PT Bank Central Asia Tbk (IDX: BBCA)
pada tanggal 3 Januari 2014 hingga 15 Januari 2014, seperti berikut:
Tabel 4. 1 Tabel Data Pemodelan
Tanggal
Harga Penutupan
Tanggal
Harga Penutupan
3 Januari 2014
9500
9 Januari 2014
9400
6 Januari 2014
9350
10 Januari 2014
9400
7 Januari 2014
9375
13 Januari 2014
9800
8 Januari 2014
9325
15 Januari 2014
9950
4.1.2 Mendapatkan Nilai Tertinggi dan Terendah
Nilai tertinggi dan Terendah digunakan untuk menentukan
himpunan semester (U) yang ditulis seperti berikut:
Dari data di atas dapat disimpulkan bahwa nilai Tertinggi atau Umax
adalah 9950 dan nilai terendah atau Umin adalah 9325, sedangkan D1
dan D2 adalah bilangan real yang dipilih oleh user, dengan
menggunakan nilai 100 untuk D1 dan D2 maka didapatkan:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
23
4.1.3 Menghitung rentang Interval
Banyaknya interval adalah sebuah bilangan real yang
ditentukan sendiri oleh user, dan lompatan interval dapat dihitung
menggunakan rumus:
Umax adalah nilai tertinggi data sedangkan Umin adalah nilai terendah
data, dan interval adalah bilangan real yang dipilih oleh user,
kemudian membuat rentang sebanyak interval dengan dengan jarak
sebesar Lompatan Interval. Dengan himpunan semesta yang
didapatkan pada 4.1.2 dan interval 5 maka didapatkan Lompatan
Interval seperti berikut:
Maka didapatkan lima interval dengan rincian seperti berikut:
Tabel 4. 2 Tabel Interval
U
Interval
U1
[ 9225 , 9390]
U2
[ 9390 , 9555 ]
U3
[ 9555 , 9720]
U4
[ 9720 , 9885 ]
U5
[ 9885 , 10050 ]
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
24
4.1.4 Membuat Fuzzy Linguistic pada setiap Interval
Definisikan himpunan-himpunan fuzzy At yang terbentuk
menggunakan interval yang yang telah terpecah. Himpunan variabel
fuzzy At menunjukkan variabel linguistik dari setiap interval, dari
interval pada Tabel 4. 2 maka didapatkan fuzzy linguistic seperti
berikut:
Tabel 4. 3 Tabel Fuzzy Linguistic
U
Interval
Fuzzy Linguistic
U1
[ 9225 , 9390]
A1
U2
[ 9390 , 9555 ]
A2
U3
[ 9555 , 9720]
A3
U4
[ 9720 , 9885 ]
A4
U5
[ 9885 , 10050 ]
A5
4.1.5 Membuat FLRG (Fuzzy Linguistic Relationship Group)
Data yang didapatkan dirubah ke fuzzy linguistic berdasarkan
tabel 4. 3 menjadi seperti berikut:
Tabel 4. 4 Tabel Data Fuzzifikasi
Tanggal
Harga Penutupan
Fuzzy Linguistic
3 Januari 2014
9500
A2
6 Januari 2014
9350
A1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
25
7 Januari 2014
9375
A1
8 Januari 2014
9325
A1
9 Januari 2014
9400
A2
10 Januari 2014
9400
A2
13 Januari 2014
9800
A4
15 Januari 2014
9950
A5
Sehingga didapatkan Fuzzy Linguistic Relationship seperti berikut:
Tabel 4. 5 Tabel Fuzzy Linguistic Relationship
A2 → A1
A1 → A1
A1 → A1
A2 → A2
A2 → A4
A4 → A5
A1 → A2
Dari tabel di atas didapatkan Fuzzy Linguistic Relationship Group
Tabel 4. 6 Tabel Fuzzy Linguistic Relationship Group
A1 → A1, A1, A2
A2 → A1, A2, A4
A4 → A5
4.1.6 Membuat Matrix
Berdasarkan Fuzzy Linguistic Relationship Group akan
didapatkan matrix probabilitas yang digunakan untuk proses
defuzzifikasi, dengan menggunakan data pada tabel 4. 6 maka
didapatkan matrix seperti berikut:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
26
Tabel 4. 7 Tabel Matrix
A1
A2
A3
A4
A5
A1
2
1
0
0
0
A2
1
1
0
1
0
A3
0
0
0
0
0
A4
0
0
0
0
1
A5
0
0
0
0
0
Dengan menggunakan rumus berikut ini
Pij, adalah probabilitas perubahan state Ai ke Aj
Sij, adalah jumlah transisi dari state Ai ke Aj
Si, adalah jumlah data yang berada di state Ai
Maka didapatkan matrix probabilitas seperti, berikut:
Tabel 4. 8 Tabel Matrix Probabilitas
A1
A2
A3
A4
A5
A1
0.6667
0.3333
0
0
0
A2
0.3333
0.3333
0
0.3333
0
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
27
A3
0
0
0
0
0
A4
0
0
0
0
1
A5
0
0
0
0
0
4.1.7 Defuzzyfikasi
Proses defuzzifikasi menggunakan dua aturan yaitu:
- Aturan 1
Apabila Relasi Fuzzy Relationship dari Ai adalah One to One (Ai → Aj) ,maka
Dimana Ft adalah hasil peramalan dan Mk adalah nilai tengah dari interval Uk
- Aturan 2
Apabila Relasi Fuzzy Relationship dari Ai adalah One to Many (Ai →
Aj, Ak)
,maka
Dengan rumus di atas maka dapat dilakukan peralaman seperti berikut:
- Aturan 1
- Aturan 2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
28
Dengan mengulangi perhitungan dengan cara di atas, maka
didapatkan:
Tabel 4. 9 Hasil Peramalan
Tanggal
Harga
Penutupan
Fuzzy Linguistic
Hasil
Peramalan
3 Januari 2014
9500
A2
-
6 Januari 2014
9350
A1
9536
7 Januari 2014
9375
A1
9390
8 Januari 2014
9325
A1
9407
9 Januari 2014
9400
A2
9374
10 Januari 2014
9400
A2
9503
13 Januari 2014
9800
A4
9703
15 Januari 2014
9950
A5
9967
4.1.8 Adjusting
Berdasarkan Fuzzy Linguistic Relationship didapatkan relasi fuzzy
seperti berikut:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
29
Gambar 4.2 Relasi Linguistik
Fuzzy Linguistic A1 dan A2 saling berkomunikasi sehingga dapat
dilakukan adjusting nilai pada Fuzzy Linguistic tersebut.
- Tanggal 6 Januari 2014 adjusting dengan aturan No. 2, yaitu
- Tanggal 9 Januari 2014 adjusting dengan aturan No. 1, yaitu
Tabel 4. 10 Hasil Modeling
Tanggal
Harga
Penutupan
Fuzzy Linguistic
Hasil
Peramalan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
30
3 Januari 2014
9500
A2
-
6 Januari 2014
9350
A1
9454
7 Januari 2014
9375
A1
9390
8 Januari 2014
9325
A1
9407
9 Januari 2014
9400
A2
9456
10 Januari 2014
9400
A2
9503
13 Januari 2014
9800
A4
9703
15 Januari 2014
9950
A5
9967
4.1.9 Penghitungan Error
Penghitungan error menggunakan MSE atau Mean Square Error dan
AFER atau Average Forecasting Error Rate dengan rumus sebagai
berikut:
Tabel 4. 11 Penghitungan MSE dan AFER
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
31
Tanggal
Ai
Fi
3 Januari 2014
9500
-
-
6 Januari 2014
9350
9454
10816
0.0111
7 Januari 2014
9375
9390
250
0.0016
8 Januari 2014
9325
9407
6806
0.0088
9 Januari 2014
9400
9456
667
0.0027
10 Januari 2014
9400
9503
10677
0.0109
13 Januari 2014
9800
9703
9409
0.0098
15 Januari 2014
9950
9967
306
0.0017
4.2 Perancangan Sistem
-
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
32
4.2.1 Use Case
Gambar 4. 3 Diagram Use Case
- Menginputkan data
Aktor
User
Kondisi
Berada dalam homeView.
Awal
Skenario
Aksi Aktor
Respon Sistem
Step 1 : Menekan tombol File
Step 2 : Membuka jendela
Step 3 : User memilih file
dengan format .csv
JFileChooser
Step 4 : mengambil direktori
lokasi file dan dipassing ke kelas
FileReadController.
Kemudian
data tanggal dan close price
disimpan
setRawDataList.
menggunakan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
33
Step 5 :
Menampilkan data
Tanggal dan close price ke tabel
di bagian kiri interface
Skenario
Aksi Aktor
Respon Sistem
Alternatif
Kondisi
Akan muncul data harga penutupan saham berdasarkan file yang
Akhir
diinputkan oleh user di tabel sebelah kiri interface.
- Training Data
Aktor
User
Kondisi
Berada dalam homeView dan sudah menginputkan file.
Awal
Skenario
Aksi Aktor
Respon Sistem
Step 1 : Menginputkan interval
Step 3 : mem-passing
dan nilai D1,D2
interval,D1, dna D2 ke
Step 2 : Menekan tombol
hitung
controller menggunakan
setInterval,setD1,SetD2
Step 4 : Menjalankan fungsi
defuzzifikasi
Step 5 : Menghitung nilai MSE
(Mean Square Error) dan FER (
Forecasting Error Rate)
Step 6 : Menampilkan data hasil
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
34
permalan ke tabel di bagian kiri
interface, menampilkan MSE
dan FER di TextField bagian
bawah interface, dan
menggambar grafik garis.
Skenario
Aksi Aktor
Respon Sistem
Alternatif
Kondisi
Akan muncul data hasil peramalan ditabel bagian kiri interface
Akhir
dengan menggunakan kedua metode dan juga grafik garis kedua
metode serta muncul nilai MSE (Mean Square Error) dan FER (
Forecasting Error Rate).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
35
- Peramalan Data
Aktor
User
Kondisi
Berada dalam homeView dan sudah melakukan peramalan.
Awal
Skenario
Aksi Aktor
Respon Sistem
Step 1 : Menekan tombol Step
Search
2
:
Menampilkan
SearchView
Step 3 : User menginputkan Step 5 : mempassing data, harga,
data F-1
matrix,
Step 4 : Menekan tombol
Forecast
interval,
min,
max,
nilaiRentang ke method forecast()
Step 6 : Mengisi TextField
dengan data hasil peramalan.
Skenario
Aksi Aktor
Respon Sistem
Alternatif
Kondisi
Akhir
Akan muncul data Hasil peramalan menggunakan metode Jilani
dan Gemilang sesuai dengan tanggal yang dipilih oleh user.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
36
4.2.2 Diagram Activity
- Menginputkan data
Gambar 4. 4 Diagram Activity Menginputkan Data
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
37
- Training Data
Gambar 4. 5 Diagram Activity Training Data
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
38
- Peramalan data
Gambar 4. 6 Diagram Activity Peramalan Data
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
39
4.2.3 Diagram Sequence
- Menginputkan Data
Gambar 4. 7 Diagram Sequence Menginputkan Data
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
40
- Training Data
Gambar 4. 8 Diagram Sequence Training Data
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
41
- Peramalan Data
Gambar 4. 9 Diagram Sequence Peramalan Data
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
42
4.2.4 Diagram Kelas
Gambar 4. 10 Diagram kelas
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
43
4.3 Perancangan Antar Muka
- HomeView
Berikut adalah rancangan tampilan home untuk alat uji, user dapat
memasukkan file dengan menekan tombol file yang kemudian akan muncul
dialog JFileChooser yang apabila file dapat dibaca maka akan muncul
direktori lokasi file pada textbox dan akan muncul data mentah pada tabel.
Untuk melakukan training user perlu menginputkan interval, D1, dan D2
kemudian menekan tombol Hitung, maka akan muncul hasil perhitungan
tiap waktu di tabel, akan muncul grafik perbandingan antara data nyata dan
hasil training, selain itu juga akan muncul nilai MSE dan AFER di bagian
bawah.
Gambar 4. 11 Desain Interface HomeView
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
44
- ForecastView
Berikut adalah rancangan tampilan peramalan untuk alat uji, user dapat
memasukkan data lampau textbox Data H-1, kemudian bila user menekan
tombol Ramal maka akan muncul data hasil permalan untuk Data H pada
textbox Hasil Peramalan.
Gambar 4. 12 Desain Interface ForecastView
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB V
IMPLEMENTASI DAN ANALISA HASIL
5.1 Implementasi
5.1.1
Implementasi Tampilan Antar Muka
- HomeView
Berikut adalah hasil implementasi tampilan home untuk alat uji, user dapat
memasukkan file dengan menekan tombol file yang kemudian akan muncul
dialog JFileChooser yang apabila file dapat dibaca maka akan muncul
direktori lokasi file pada textbox dan akan muncul data mentah pada tabel.
Untuk melakukan training user perlu menginputkan interval, D1, dan D2
kemudian menekan tombol Hitung, maka akan muncul hasil perhitungan
tiap waktu di tabel, akan muncul grafik perbandingan antara data nyata dan
hasil training, selain itu juga akan muncul nilai MSE dan AFER di bagian
bawah.
Gambar 5. 1 Implementasi Interface HomeView
45
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
46
- ForecastView
Berikut adalah implementasi tampilan search untuk alat uji, user dapat
memasukkan tanggal dengan cara memilih tanggal pada jendela pop-up
yang muncul apabila dialog tanggal dipilih, kemudian bila user menekan
tombol cari maka akan muncul data sesuai dengan tanggal yang dicari yang
mengisi masing masing textbox.
Gambar 5. 2 Implementasi Interface ForecastView
5.1.2 Implementasi Fuzzy Time Series
-
Implementasi File Reader
Berikut ini adalah implementasi file reader untuk membaca file .csv ke
dalam program.
public class FileReadController {
public ArrayList fileRead(String fileLocation) throws ParseException {
ArrayList<RawDataModel> output = new ArrayList<>();
String line = "";
String csvSplit = ",";
SimpleDateFormat dateConvert = new SimpleDateFormat("MM/dd/yyyy");
int iteration = 0;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
47
try (BufferedReader br = new BufferedReader(new FileReader(fileLocation))) {
while ((line = br.readLine()) != null) {
if (iteration == 0) {
//digunakan untuk melewati kolom pertama pada data .csv
iteration++;
continue;
}
/**
* text 0 tanggal text 1 open text 2 high text 3 low text 4
* close text 5 volume text 6 adj volume
*/
String[] text = line.split(csvSplit);
Date date = dateConvert.parse(text[0]);
//merubah string menjadi tanggal denga format dateConvert
if (text[4].matches("null")) {
//untuk melewati apabila terdapat data null
continue;
} else {
int tempInt = (int) Double.parseDouble(text[4]);
output.add(new RawDataModel(tempInt, date));
}
}
} catch (IOException e) {
}
return output;
}
}
-
Implementasi Mendapatkan Nilai Tertinggi dan Terendah
Berikut ini adalah implementasi untuk mendapatkan nilai Tertinggi dan
Terendah dari sebuah data mentah untuk digunakan sebagai himpunan
semesta dan menambahkan atau mengurangi menggunakan D2 dan D1.
public int getMaxValue() {
int maxValue = Integer.MIN_VALUE;
for (int i = 0; i < rawDataList.size(); i++) {
if (rawDataList.get(i).getClosePrice() >= maxValue) {
maxValue = rawDataList.get(i).getClosePrice();
}
}
return maxValue;
}
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
48
public int getMinValue() {
int minValue = Integer.MAX_VALUE;
for (int i = 0; i < rawDataList.size(); i++) {
if (rawDataList.get(i).getClosePrice() <= minValue) {
minValue = rawDataList.get(i).getClosePrice();
}
}
return minValue;
}
public int getMaxInterval() {
return getMaxValue() + d2;
}
public int getMinInterval() {
return getMinValue() - d1;
}
-
Implementasi Menghitung Rentang Interval
Berikut ini adalah implementasi untuk membagi himpunan semesta
menjadi beberapa interval sesuai dengan yang diinputkan oleh user.
public int[] partitioningInterval() {
int lompatanInterval = (getMaxInterval() - getMinInterval()) / interval;
//mencari nilai lompatan interval
nilaiRentang = new int[interval];
nilaiRentang[0] = getMinInterval();
//index 0 adalah nilai terkecil
for (int i = 1; i < interval; i++) {
nilaiRentang[i] = nilaiRentang[i - 1] + lompatanInterval;
//setiap index diisi nilai sebelumnya + lompatan interval
}
//nilaiRentang[interval - 1] = getMaxValue() - lompatanInterval;
//nilai interval terakhir adalah nilai terbesar - lompatan interval
return nilaiRentang;
}
-
Implementasi Membuat Fuzzy Linguistic pada setiap interval
Berikut ini adalah implementasi untuk membagi himpunan semesta
menjadi beberapa interval sesuai dengan yang diinputkan oleh user dan
proses fuzzifikasi data mentah.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
49
public ArrayList DataInterval() {
int lompatanInterval = (getMaxValue() - getMinValue()) / interval;
//mencari nilai lompatan interval
dataTiapRentang = new ArrayList<>();
for (int i = 0; i < rawDataList.size(); i++) {
for (int j = 0; j < interval; j++) {
if (rawDataList.get(i).getClosePrice() >= partitioningInterval()[j]
&& rawDataList.get(i).getClosePrice() <=
partitioningInterval()[j] + lompatanInterval) {
//apabila harga penutupan harga mentah lebih besar dibanding
interval ke j
//dan lebih kecil dibandingkan interval ke j ditambah
lompatanInterval
//maka akan diinputkan ke ArrayList dengan model
FuzzyRelationModel yang berisikan
//tanggal, harga penutupan, dan fuzzy linguistik
dataTiapRentang.add(new
FuzzyRelationModel(rawDataList.get(i).getDate(), rawDataList.get(i).getClosePrice(),
j + 1));
}
}
}
return dataTiapRentang;
}
-
Implementasi Membuat Fuzzy Linguistic Relationship Group
Berikut ini adalah implementasi untuk membuat Fuzzy Linguistic
Relationship Group.
public int[][] fuzzyRelation() {
dataTiapRentang = DataInterval();
relasiFuzzy = new int[interval][interval];
for (int i = 0; i < dataTiapRentang.size() - 1; i++) {
relasiFuzzy[dataTiapRentang.get(i).getHimpunanFuzzy() -1]
[dataTiapRentang.get(i + 1).getHimpunanFuzzy() - 1]
= relasiFuzzy[dataTiapRentang.get(i).getHimpunanFuzzy() - 1]
[dataTiapRentang.get(i + 1).getHimpunanFuzzy() - 1] + 1;
// akan mengecek fuzzy linguistik dari data t dan data t+1
// kemudian akan menambah nilai 1 setiap ke dalam index sesuai dengan
// nilai fuzzy linguistik - 1
}
return relasiFuzzy;
}
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
50
-
Impementasi Membuat matriks
Berikut ini adalah implementasi untuk membuat matriks probabilitas.
public double[][] matrixProb() {
relasiFuzzy = fuzzyRelation();
matriksProbabilitas = new double[interval][interval];
int[] lineTemp = new int[interval];
for (int i = 0; i < interval; i++) {
for (int j = 0; j < interval; j++) {
lineTemp[i] += relasiFuzzy[i][j];
//menghitung jumlah data setiap baris
}
}
for (int i = 0; i < interval; i++) {
for (int j = 0; j < interval; j++) {
if (lineTemp[i] == 0) {
matriksProbabilitas[i][j] = 0;
// jika jumlah baris 0 maka nilai probabilitas adalah 0
} else {
matriksProbabilitas[i][j] = (double) relasiFuzzy[i][j] /
lineTemp[i];
// jika tidak maka akan menghitung nilai setiap kolom dibagi
// dengan jumlah data setiap baris
}
}
}
return matriksProbabilitas;
}
-
Implementasi Defuzzifikasi
Berikut ini adalah implementasi untuk proses defuzzifikasi data mentah
yang telah difuzzifikasi pada langkah sebelumnya untuk melakukan
pengujian dan peramalan.
public void defuzzifikasi() {
nilaiRentang = partitioningInterval();
int lompatanInterval = (getMaxInterval() - getMinInterval()) / interval;
double[] nilaiTengahInterval = new double[interval];
for (int i = 0; i < interval; i++) {
nilaiTengahInterval[i] = (nilaiRentang[i] + (nilaiRentang[i] +
lompatanInterval)) / 2; // menghitung nilai tengah setiap interval
}
double[][] matrix = matrixProb();
int hasilTemp = 0;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
51
hasilPeramalan = new ArrayList<>();
hasilPeramalan.add(new ForecastingModel(dataTiapRentang.get(0).getDate(), 0, 1));
for (int i = 1; i < dataTiapRentang.size(); i++) {
//akan mengecek relasi apakah one to one atau one to many
if (checkRelation((dataTiapRentang.get(i - 1).getHimpunanFuzzy())) >= 0) {
//apabila one to one maka akan menggunakan nilai tengah.
//checkRelation mengembalikan nilai index relasi
hasilTemp = (int) nilaiTengahInterval[checkRelation(dataTiapRentang.get(i 1).getHimpunanFuzzy())];
hasilPeramalan.add(new ForecastingModel(dataTiapRentang.get(i).getDate(),
hasilTemp, checkLinguistic(hasilTemp)));
//input hasil perhitungan ke hasilPeramalan
hasilTemp = 0;
} else {
//proses one to many
for (int j = 0; j < interval; j++) {
if ((dataTiapRentang.get(i - 1).getHimpunanFuzzy() - 1)
== j) {
//apabila index interval sama dengan fuzzy linguistic data t-1 maka akan menggunakan
//data t-1 dikalikan probabilitas
hasilTemp = (int) (hasilTemp +
(dataTiapRentang.get(i - 1).getClosePrice() *
matrix[dataTiapRentang.get(i).getHimpunanFuzzy() 1][j]));
} else {
//selain itu maka akan menggunakan
//data nilai tengah interval dikalikan probabilitas
hasilTemp = (int) (hasilTemp + (nilaiTengahInterval[j] *
matrix[dataTiapRentang.get(i - 1).getHimpunanFuzzy() - 1][j]));
}
}
//cek komunikasi apabila true maka akan melakukan adjusting nilai
if (checkComunicate(checkLinguistic(hasilTemp),
(dataTiapRentang.get(i - 1).getHimpunanFuzzy() - 1))) {
//input hasil perhitungan ke hasilPeramalan
hasilPeramalan.add(new ForecastingModel(dataTiapRentang.get(i).getDate(),
adjust(checkLinguistic(hasilTemp), (dataTiapRentang.get(i - 1).getHimpunanFuzzy() 1)), checkLinguistic(hasilTemp)));
hasilTemp = 0;
} else {
hasilPeramalan.add(new ForecastingModel(dataTiapRentang.get(i).getDate(),
hasilTemp, checkLinguistic(hasilTemp)));
hasilTemp = 0;
}
}
}
prosesFTS = true;
//merubah nilai prosesFTS menjadi true, menandakan bahwa telah melakukan perhitungan
}
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
52
-
Implementasi Adjusting
Berikut ini adalah implementasi untuk menghitung nilai adjust dari
perubahaan Fuzzy Linguistic.
public boolean checkComunicate(int hasil, int raw) {
if (hasil == interval) {
return false;
} else if (matrixProb()[hasil - 1][raw - 1] > 0 && matrixProb()[raw - 1][hasil - 1]
> 0 && hasil != raw) {
return true;
}
return false;
}
public int adjust(int hasilP, int raw) {
int lompatanInterval = (getMaxInterval() - getMinInterval()) / interval;
if (checkComunicate(hasilP,raw)) {
int temp = hasilP - raw;
return hasilP + (temp*lompatanInterval);
}
return hasilP;
-
Implementasi Penghitungan Error
Berikut ini adalah implementasi untuk menghitung error dari peramalan
mengunakan MSE (Mean Square Error) dan AFER (Average Forecasting
Error Rate) dengan membandingkan data nyata dengan data hasil
peramalan.
public double MSE(ArrayList<ForecastingModel> hasilPeramalan) {
double temp = 0;
for (int i = 1; i < hasilPeramalan.size(); i++) {
temp = temp + (double) Math.pow((double)
dataTiapRentang.get(i).getClosePrice() - (double)
hasilPeramalan.get(i).getClosePrice(), 2);
}
return temp / hasilPeramalan.size();
}
public double FER(ArrayList<ForecastingModel> hasilPeramalan) {
double temp = 0;
for (int i = 1; i < hasilPeramalan.size(); i++) {
temp = temp + (double) Math.abs(((double)
dataTiapRentang.get(i).getClosePrice() - (double)
hasilPeramalan.get(i).getClosePrice()) / (double)
dataTiapRentang.get(i).getClosePrice());
}
return (temp / hasilPeramalan.size()) * 100;
}
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
53
5.2 Analisa Hasil
Berikut ini adalah tabel Mean Square Error dan Average Forecasting Error
Rate dengan menggunakan interval dari 15 hingga 40 menggunakan metode
markov chain dan data yang digunakan berupa data harga penutupan saham
pada tahun 2010 hingga tahun 2016 dari empat perusahaan yaitu:
1.
PT Gudang Garam Tbk. (IDX: GGRM)
2.
PT Bank Central Asia Tbk. (IDX: BBCA)
3.
PT Bumi Serpong Damai Tbk. (IDX: BSDE)
4.
PT Telekomunikasi Indonesia (Persor) Tbk. (IDX: TLKM)
Untuk pembuatan matriks dan mencari interval terbaik untuk peramalan maka
digunakan dataset selama satu tahun untuk meramalkan tahun tersebut seperti
berikut:
Tabel 5. 1 Tabel Hasil Pengujian PT Gudang Garam Tbk. (IDX: GGRM)
Dataset 2010 interval 15
Tanggal
Data Nyata
Hasil Forecast
Tanggal
Data Nyata
Hasil Forecast
1/4/2010
21800
-
7/1/2010
33950
34300
1/5/2010
21750
22230
7/2/2010
34000
34095
1/6/2010
21300
22190
7/5/2010
34100
34136
1/7/2010
20900
21830
7/6/2010
34950
34218
1/8/2010
22150
21510
7/7/2010
35000
34915
1/11/2010
23150
22510
7/8/2010
34900
34956
1/12/2010
23850
23421
7/9/2010
34900
34874
1/13/2010
23550
24056
7/12/2010
34850
34874
1/14/2010
23450
23784
7/13/2010
34800
34833
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
54
1/15/2010
23500
23693
7/14/2010
34100
34792
1/18/2010
23350
23738
7/15/2010
33200
34218
1/19/2010
24050
23602
7/16/2010
34050
33062
1/20/2010
24200
24237
7/19/2010
34050
34177
1/21/2010
24050
24373
7/20/2010
34050
34177
1/22/2010
23800
24237
7/21/2010
35300
34177
1/25/2010
24000
24010
7/22/2010
35400
35203
1/26/2010
23300
24192
7/23/2010
35400
35285
1/27/2010
23500
23557
7/26/2010
35250
35285
1/28/2010
24050
23738
7/27/2010
35550
35162
1/29/2010
24000
24237
7/28/2010
34850
35639
2/1/2010
24100
24192
7/29/2010
35100
34833
2/2/2010
24100
24282
7/30/2010
35000
35039
2/3/2010
24600
24282
8/2/2010
36300
34956
2/4/2010
25750
24735
8/3/2010
35450
36014
2/5/2010
25000
26074
8/4/2010
35050
35326
2/8/2010
24100
25098
8/5/2010
35500
34997
2/9/2010
24250
24282
8/6/2010
35650
35367
2/10/2010
24250
24418
8/9/2010
35700
35689
2/11/2010
23950
24418
8/10/2010
35750
35714
2/12/2010
24200
24146
8/11/2010
35950
35739
2/15/2010
23950
24373
8/12/2010
35550
35839
2/16/2010
24250
24146
8/13/2010
35500
35639
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
55
2/17/2010
24300
24418
8/16/2010
35500
35367
2/18/2010
24100
24463
8/18/2010
35800
35367
2/19/2010
24050
24282
8/19/2010
37300
35764
2/22/2010
24050
24237
8/20/2010
40050
36514
2/23/2010
24600
24237
8/23/2010
40550
40373
2/24/2010
25600
24735
8/24/2010
40300
40650
2/25/2010
26050
25964
8/25/2010
39400
40511
3/1/2010
27100
26293
8/26/2010
39100
39650
3/2/2010
27450
27060
8/27/2010
39250
39404
3/3/2010
27750
27423
8/30/2010
39500
39527
3/4/2010
27700
27665
8/31/2010
39400
39732
3/5/2010
27000
27625
9/1/2010
40700
39650
3/8/2010
26500
26987
9/2/2010
43450
40734
3/9/2010
26850
26622
9/3/2010
48000
43423
3/10/2010
27100
26878
9/6/2010
47000
47722
3/11/2010
27100
27060
9/7/2010
45000
46930
3/12/2010
26800
27060
9/15/2010
45000
44994
3/15/2010
26800
26841
9/16/2010
45500
44994
3/17/2010
27200
26841
9/17/2010
45050
45377
3/18/2010
27350
27221
9/20/2010
45000
45033
3/19/2010
27000
27342
9/21/2010
44500
44994
3/22/2010
27000
26987
9/22/2010
44750
44612
3/23/2010
26700
26987
9/23/2010
44700
44803
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
56
3/24/2010
25900
26768
9/24/2010
47200
44765
3/25/2010
25800
26183
9/27/2010
48850
47088
3/26/2010
25600
26110
9/28/2010
50050
48728
3/29/2010
25500
25964
9/29/2010
50500
49528
3/30/2010
25350
25891
9/30/2010
51600
50353
3/31/2010
24750
25782
10/1/2010
51400
51331
4/1/2010
25250
24871
10/4/2010
52000
51153
4/5/2010
25300
25708
10/5/2010
52000
51687
4/6/2010
25600
25745
10/6/2010
52250
51687
4/7/2010
27000
25964
10/7/2010
52100
51909
4/8/2010
28100
26987
10/8/2010
51900
51776
4/9/2010
27600
27948
10/11/2010
51900
51598
4/12/2010
27600
27544
10/12/2010
50200
51598
4/13/2010
27150
27544
10/13/2010
49550
49628
4/14/2010
27500
27180
10/14/2010
49650
49195
4/15/2010
28300
27463
10/15/2010
48200
49262
4/16/2010
27050
28109
10/18/2010
46800
48295
4/19/2010
27100
27024
10/19/2010
46600
46772
4/20/2010
27500
27060
10/20/2010
47950
46613
4/21/2010
27400
27463
10/21/2010
47800
47682
4/22/2010
27400
27382
10/22/2010
47150
47563
4/23/2010
26700
27382
10/25/2010
46900
47049
4/26/2010
27600
26768
10/26/2010
47450
46851
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
57
4/27/2010
27450
27544
10/27/2010
47100
47286
4/28/2010
27550
27423
10/28/2010
46950
47009
4/29/2010
27400
27503
10/29/2010
47700
46890
4/30/2010
27600
27382
11/1/2010
48200
47484
5/3/2010
27650
27544
11/2/2010
48500
48295
5/4/2010
28100
27584
11/3/2010
48400
48495
5/5/2010
27950
27948
11/4/2010
47700
48428
5/6/2010
28200
27827
11/5/2010
48000
47484
5/7/2010
28000
28028
11/8/2010
48050
47722
5/10/2010
28200
27867
11/9/2010
47700
47761
5/11/2010
28400
28028
11/10/2010
47650
47484
5/12/2010
31400
28190
11/11/2010
46900
47444
5/14/2010
31450
32312
11/12/2010
46200
46851
5/17/2010
31150
32333
11/15/2010
45550
46297
5/18/2010
31100
31605
11/16/2010
46050
45415
5/19/2010
30800
31574
11/18/2010
46050
46178
5/20/2010
31300
31387
11/19/2010
46050
46178
5/21/2010
29900
31699
11/22/2010
46750
46178
5/24/2010
31500
30824
11/23/2010
45500
46732
5/25/2010
31800
32354
11/24/2010
44000
45377
5/26/2010
36000
32479
11/25/2010
44000
44230
5/27/2010
33500
35864
11/26/2010
42700
44230
5/31/2010
33700
33726
11/29/2010
42600
43102
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
58
6/1/2010
33000
33890
11/30/2010
40700
43059
6/2/2010
30650
32979
12/1/2010
42000
40734
6/3/2010
31450
31293
12/2/2010
43750
42802
6/4/2010
31050
32333
12/3/2010
43950
43552
6/7/2010
30550
31543
12/6/2010
45800
44191
6/8/2010
31350
31230
12/8/2010
45400
45606
6/9/2010
31700
32291
12/9/2010
44200
45300
6/10/2010
32300
32437
12/10/2010
44000
44383
6/11/2010
33700
32687
12/13/2010
41850
44230
6/14/2010
34000
33890
12/14/2010
42200
42737
6/15/2010
34450
34136
12/15/2010
41250
42887
6/16/2010
34150
34505
12/16/2010
40000
41039
6/17/2010
34900
34259
12/17/2010
39200
40345
6/18/2010
34900
34874
12/20/2010
38700
39486
6/21/2010
34500
34874
12/21/2010
39650
39077
6/22/2010
34600
34546
12/22/2010
38750
39854
6/23/2010
33950
34628
12/23/2010
38400
39118
6/24/2010
33150
34095
12/27/2010
39000
38832
6/25/2010
33050
33041
12/28/2010
40200
39323
6/28/2010
34150
32999
12/29/2010
40650
40456
6/29/2010
34150
34259
12/30/2010
40000
40706
6/30/2010
34200
34259
MSE
774940
AFER
1.6836
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
59
Dengan metode yang sama cara penghitungan di atas diulangi dengan
mengganti interval dari 15, 20, 25, 30, 35, dan 40 kemudian mengganti dataset
ke tahun selanjutnya yaitu tahun 2011, 2012, 2013, 2014, 2015, dan 2016
sehingga dapat ditemukan interval optimal untuk digunakan untuk peramalan
tahun selanjutnya berdasarkan Mean Square Error yang didapatkan. Metode
ini juga digunakan untuk pengujian perusahaan yang lain dalam penelitian ini
yaitu : PT Bank Central Asia Tbk. (IDX: BBCA), PT Bumi Serpong Damai
Tbk. (IDX: BSDE), dan PT Telekomunikasi Indonesia (Persor) Tbk. (IDX:
TLKM)
sehingga
didapatkan
tabel
pengujian
seperti
berikut:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
60
Tabel 5. 2 Tabel MSE dan AFER PT Gudang Garam Tbk. (IDX: GGRM)
Interval
D1,D2
15
MSE
20
AFER
MSE
25
AFER
MSE
30
AFER
35
40
MSE
AFER
MSE
AFER
MSE
AFER
2010
50
776496
1.6867
688762
1.5856
660869
1.5118
636513
1.5541
584951
1.4736
564582
1.4920
100
774940
1.6836
688485
1.5840
655834
1.5047
628359
1.5424
597958
1.4975
563737
1.4800
150
800927
1.7246
695074
1.6081
665169
1.5233
637373
1.5440
603108
1.5170
566786
1.5029
2011
50
1303230
1.8022
1237440
1.7231
1196856
1.6695
1222586
1.6959
1122107
1.6237
1018624
1.5464
100
1300775
1.8026
1239740
1.7224
1200720
1.6714
1223512
1.6990
1203763
1.6688
1025556
1.5671
150
1277994
1.7800
1236359
1.7172
1206003
1.6800
1201204
1.6543
1144477
1.5891
1037468
1.5871
2012
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
61
50
1063644
1.3460
1048135
1.3766
1005402
1.3253
963557
1.3141
894372
1.2586
909284
1.2584
100
1095231
1.3731
1045079
1.3684
1080627
1.3926
968678
1.3175
923271
1.2751
911622
1.2627
150
1098796
1.3721
1048220
1.3618
1077560
1.3906
976209
1.3176
971188
1.3065
934227
1.2937
2013
50
1030858
1.7453
967002
1.7114
947898
1.6593
884136
1.6246
837003
1.5434
910740
1.6632
100
1029897
1.7442
963660
1.6899
951098
1.6692
879484
1.6208
900626
1.6301
888604
1.6405
150
1024999
1.7424
950310
1.6709
976739
1.7120
879756
1.6327
921546
1.6561
867402
1.6098
2014
50
672112
1.1731
634837
1.1541
621807
1.1209
651875
1.1772
606302
1.1045
578139
1.1003
100
672931
1.1801
641853
1.1640
616995
1.1337
643323
1.1713
586619
1.0803
585165
1.1009
150
675973
1.1838
641747
1.1689
620971
1.1458
647205
1.1818
591317
1.0995
584104
1.1033
2015
50
1365179
1.8331
1388107
1.8573
1316635
1.8427
1273049
1.7690
1211451
1.6999
1113090
1.6627
100
1359924
1.8282
1398540
1.8744
1315525
1.8256
1274102
1.7703
1234447
1.7253
1150464
1.6796
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
62
150
1308138
1.8071
1380666
1.8554
1292955
1.8023
1185517
1.7055
1262068
1.7442
1144913
1.6619
2016
50
1691405
1.5038
1699097
1.4885
1606161
1.4503
1587441
1.4553
1563930
1.4238
1582027
1.4440
100
1691285
1.5040
1676372
1.4818
1603953
1.4511
1601245
1.4521
1581625
1.4338
1600971
1.4477
150
1691519
1.5039
1660141
1.4731
1604849
1.4511
1614584
1.4615
1581838
1.4323
1553893
1.4175
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
63
Tabel 5. 3 Tabel MSE dan AFER PT Bank Central Asia Tbk. (IDX: BBCA)
Interval
D1,D2
15
MSE
20
AFER
MSE
25
AFER
MSE
30
AFER
35
40
MSE
AFER
MSE
AFER
MSE
AFER
2010
50
17330
1.7676
15822
1.6513
15407
1.5830
15968
1.6342
15296
1.5917
15048
1.5956
100
17201
1.7511
16327
1.6614
15553
1.6130
15656
1.6519
15258
1.5754
14662
1.5589
150
17416
1.7689
16379
1.6467
15936
1.6740
15451
1.5988
14832
1.5636
15671
1.6140
2011
50
18544
1.4625
19232
1.5208
18450
1.4497
16771
1.3931
16106
1.3218
16850
1.3690
100
18796
1.4738
18706
1.4871
17696
1.4181
17661
1.4299
16814
1.3673
15775
1.3422
150
18779
1.4642
19250
1.5133
18139
1.4294
18213
1.4641
17100
1.3677
16633
1.3604
2012
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
64
50
13692
1.0368
13530
1.0504
13070
1.0313
11424
0.9749
11262
0.9814
11570
0.9670
100
13878
1.0610
12441
1.0258
12422
1.0131
11747
1.0123
10988
0.8865
10311
0.8986
150
13220
1.0529
13370
1.0838
13603
1.0497
12582
1.0255
11318
0.9661
11686
0.9908
2013
50
40594
1.4655
40789
1.4864
40621
1.4586
38416
1.4294
37407
1.4032
37451
1.3983
100
40434
1.4565
40695
1.4755
40324
1.4528
38789
1.4427
38816
1.4240
36100
1.3710
150
38367
1.4091
41213
1.4914
41282
1.4940
36034
1.3621
35683
1.3336
36257
1.3822
2014
50
27291
0.9868
25044
0.9618
23955
0.9422
23375
0.9433
21556
0.9250
22564
0.9383
100
27118
0.9880
24637
0.9668
23218
0.9313
23332
0.9407
22863
0.9423
21903
0.9199
150
26091
0.9694
24653
0.9603
24787
0.9522
23394
0.9487
24356
0.9577
21321
0.9006
2015
50
40211
1.0699
41760
1.0550
39462
1.0263
34897
0.9918
33016
0.9874
34876
0.9831
100
39996
1.0778
41926
1.0741
40889
1.0563
33070
0.9582
35289
0.9810
31108
0.9478
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
65
150
41015
1.0867
41453
1.0634
37634
1.0447
36544
1.0239
34723
1.0033
33313
0.9775
2016
50
19567
0.6925
18731
0.6867
17314
0.6544
16806
0.6427
15899
0.6400
14507
0.5949
100
19675
0.7071
16493
0.6384
16531
0.6459
15724
0.6366
13556
0.5618
14798
0.6143
150
19346
0.7026
17859
0.6906
17239
0.6731
17075
0.6657
16404
0.6478
15799
0.6254
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
66
Tabel 5. 4 Tabel MSE dan AFER PT Bumi Serpong Damai Tbk. (IDX: BSDE)
Interval
D1,D2
15
MSE
20
AFER
MSE
25
AFER
MSE
30
AFER
35
40
MSE
AFER
MSE
AFER
MSE
AFER
2010
50
697
2.3884
626
2.2982
674
2.3529
627
2.2578
589
2.1963
573
2.1633
100
708
2.4751
682
2.3803
650
2.3696
601
2.2598
609
2.2620
653
2.3461
150
718
2.4265
683
2.3457
660
2.3483
680
2.3910
642
2.2890
627
2.2578
2011
50
591
2.0599
574
2.0242
559
2.0613
541
2.0094
435
1.7114
517
1.9223
100
600
2.1442
577
2.1033
534
1.9805
579
2.0959
515
1.9085
466
1.7407
150
608
2.1976
574
2.0965
605
2.1656
554
2.0466
424
1.7653
544
2.0502
2012
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
67
50
806
1.8672
721
1.7243
609
1.5043
708
1.7186
644
1.6207
631
631
100
841
1.8531
777
1.7796
727
1.7264
653
1.6421
671
1.6325
625
1.5561
150
791
1.8444
736
1.7479
714
1.6795
724
1.7530
682
1.6664
661
1.6419
2013
50
2357
2.2267
2240
2.2102
2269
2.1473
2053
2.0914
1981
2.0211
1999
2.0889
100
2198
2.1472
2265
2.1650
2097
2.1537
2098
2.1231
2009
2.0786
1997
2.1088
150
2189
2.1556
2305
2.1418
1986
2.0525
2048
2.0775
2006
2.0974
2015
2.0790
2014
50
1048
1.5454
1020
1.5351
953
1.4677
892
1.3840
885
1.3945
869
1.3939
100
1000
1.5001
1025
1.5433
1013
1.5055
988
1.4881
929
1.4373
778
1.2921
150
1077
1.5571
1032
1.5198
997
1.5103
998
1.4712
950
1.4824
887
1.4154
2015
50
2177
2.1118
1870
1.9214
1793
1.8679
1828
1.8757
1814
1.8683
1526
1.6840
100
2183
2.0931
1808
1.8974
1887
1.9083
1946
1.9345
1798
1.9084
1773
1.8762
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
68
150
2053
2.0287
1993
2.0247
1915
1.9312
1791
1.8846
1800
1.8941
1670
1.7532
2016
50
1477
1.4382
1588
1.5325
1474
1.4326
1450
1.4345
1448
1.4206
1152
1.2149
100
1616
1.5312
1594
1.5056
1543
1.5089
1505
1.4767
1457
1.4569
1413
1.4193
150
1647
1.5384
1602
1.5224
1586
1.5292
1516
1.4795
1488
1.4630
1322
1.3430
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
69
Tabel 5. 5 Tabel MSE dan AFER PT Telekomunikasi Indonesia (Persor) Tbk. (IDX: TLKM)
Interval
D1,D2
15
MSE
20
AFER
MSE
25
AFER
MSE
30
AFER
35
40
MSE
AFER
MSE
AFER
MSE
AFER
2010
50
20288
1.3065
18484
1.2098
17944
1.2230
18452
1.2258
16299
1.1253
16421
1.1204
100
19640
1.2895
18941
1.2385
18682
1.2329
18425
1.2163
17064
1.1883
17338
1.2071
150
16594
1.1877
15036
1.1127
17403
1.1793
13121
1.0032
17478
1.1608
13699
0.9804
2011
50
9876
0.9916
10927
0.9592
11232
0.9887
7409
0.7810
12047
1.0794
12622
1.1187
100
14281
1.2285
11831
1.0529
13457
1.1681
12713
1.1314
12108
1.0826
10032
0.9397
150
14462
1.2315
12677
1.1142
12965
1.1477
12678
1.1281
12133
1.0856
11831
1.0671
2012
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
70
50
18720
1.2326
18402
1.2064
17443
1.1533
17202
1.1720
17158
1.1628
15130
1.0772
100
18742
1.2260
19099
1.2342
17388
1.1606
16626
1.1337
16533
1.1406
16064
1.1118
150
18621
1.2192
18393
1.1963
17442
1.1875
17806
1.1890
17035
1.1707
16357
1.1136
2013
50
301778
4.6067
294959
3.9823
286569
3.4044
282178
3.3621
279624
3.3205
274662
3.2644
100
298814
4.1982
291936
3.9920
288807
3.5037
276841
3.3701
279397
3.3596
271356
3.3676
150
301025
3.9896
291924
3.4663
289111
3.4000
296286
3.4791
274603
3.4232
270547
3.4173
2014
50
1418
1.1602
1408
1.1312
1372
1.1154
1353
1.1222
1302
1.0957
1233
1.0636
100
1391
1.1436
1319
1.1198
1386
1.1378
1236
1.0598
1160
1.0177
1253
1.0745
150
1442
1.1530
1464
1.1732
1409
1.1549
1342
1.1126
1401
1.1373
1315
1.0997
2015
50
1537
1.0414
1401
0.9774
1289
0.9268
1446
0.9891
1284
0.9385
1105
0.8344
100
1496
1.0138
1451
0.9870
1573
1.0454
1473
1.0252
1389
0.9655
1324
0.9388
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
71
150
1564
1.0194
1579
1.0335
1568
1.0318
1439
1.0005
1434
0.9964
1186
0.8658
2016
50
4126
1.2268
4117
1.2239
3966
1.1904
3773
1.1857
3621
1.1425
3696
1.1519
100
4279
1.2630
3811
1.1659
3976
1.2104
3797
1.1862
3654
1.1550
3593
1.1382
150
4467
1.2737
4129
1.2204
4298
1.2548
3891
1.1752
3880
1.1724
3579
1.1367
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
72
Berdasarkan tabel tersebut maka didapatkan nilai Interval terbaik peralaman
diperoleh dari Mean Square Error setiap tahun untuk digunakan sebagai
interval peramalan dan skenario peramalan seperti berikut:
1. Dataset 2010 dengan interval terbaik digunakan untuk meramalkan Januari
2011
2. Dataset 2011 dengan interval terbaik digunakan untuk meramalkan Januari
2012
3. Dataset 2012 dengan interval terbaik digunakan untuk meramalkan Januari
2013
4. Dataset 2013 dengan interval terbaik digunakan untuk meramalkan Januari
2014
5. Dataset 2014 dengan interval terbaik digunakan untuk meramalkan Januari
2015
6. Dataset 2015 dengan interval terbaik digunakan untuk meramalkan Januari
2016
7. Dataset 2016 dengan interval terbaik digunakan untuk meramalkan Januari
2017
Tabel 5. 6 Tabel Hasil Peramalan PT Gudang Garam Tbk. (IDX: GGRM)
Januari 2011 dengan data 2010
Tanggal
Data Nyata
Hasil Forecast
Tanggal
Data Nyata
Hasil Forecast
1/3/2011
41050
40106
1/18/2011
37000
38928
1/4/2011
41100
41050
1/19/2011
37550
40106
1/5/2011
41000
41050
1/20/2011
36200
0
1/6/2011
40200
41050
1/21/2011
36200
35377
1/7/2011
39050
40106
1/24/2011
35500
35377
1/10/2011
35800
35377
1/25/2011
36900
35509
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
73
1/11/2011
37000
40106
1/26/2011
38100
40106
1/12/2011
39600
39556
1/27/2011
38500
0
1/13/2011
40300
40106
1/28/2011
37950
39045
1/14/2011
38400
39012
1/31/2011
37250
0
1/17/2011
38150
38928
Peramalan tahun 2011 terdapat 3 data yang tidak dapat diramal yaitu data
tanggal 20, 27, dan 31 Januari karena tidak memiliki relasi, karena data outlier
merupakan data outlier maka data yang tidak dapat diramal akan di hapus
sehingga menjadi seperti berikut:
Tabel 5. 6 Tabel Hasil Peramalan PT Gudang Garam Tbk. (IDX: GGRM)
Januari 2011 dengan data 2010 tanpa data outlier
Tanggal
Data Nyata
Hasil Forecast
Tanggal
Data Nyata
Hasil Forecast
1/3/2011
41050
40106
1/14/2011
38400
39012
1/4/2011
41100
41050
1/17/2011
38150
38928
1/5/2011
41000
41050
1/18/2011
37000
38928
1/6/2011
40200
41050
1/19/2011
37550
40106
1/7/2011
39050
40106
1/21/2011
36200
35377
1/10/2011
35800
35377
1/24/2011
35500
35377
1/11/2011
37000
40106
1/25/2011
36900
35509
1/12/2011
39600
39556
1/26/2011
38100
40106
1/13/2011
40300
40106
1/28/2011
37950
39045
MSE
1907096
AFER
2.7550
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
74
Dengan mengulangi proses di atas setiap tahun dan keempat perusahaan maka
didapatkan tabel hasil peramalan seperti berikut:
Tabel 5. 7 Tabel Hasil Peramalan PT Gudang Garam Tbk. (IDX: GGRM)
Tahun Peramalan
MSE
AFER
2011
1907096
2.7550
2012
983804
1.2632
2013
1142352
1.5526
2014
905366
1.8766
2015
3275872
2.2652
2016
1569544
1.6127
2017
836632
1.2171
Tabel 5. 8 Tabel Hasil Peramalan PT Bank Central Asia Tbk. (IDX: BBCA)
Tahun Peramalan
MSE
AFER
2011
31901
2.4291
2012
11974
1.0459
2013
32634
1.1931
2014
26062
1.1952
2015
6732
0.5187
2016
29528
0.9553
2017
30021
0.9464
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
75
Tabel 5. 9 Tabel Hasil Peramalan PT Bumi Serpong Damai Tbk. (IDX:
BSDE)
Tahun Peramalan
MSE
AFER
2011
1260
3.5923
2012
313
1.5705
2013
1607
2.3901
2014
2899
2.9172
2015
-
-
2016
884
1.3925
2017
1533
1.7322
Pada 2015 tidak dapat dilakukan peramalan karena sedang mengalami trend
sehingga data diluar rentang.
Tabel 5. 10 Tabel Hasil Peramalan PT Telekomunikasi Indonesia (Persor)
Tbk. (IDX: TLKM)
Tahun Peramalan
MSE
AFER
2011
31045
1.8012
2012
12861
1.4026
2013
16168
1.0784
2014
1776
1.5537
2015
718
0.8022
2016
1279
0.6537
2017
1995
0.8838
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
76
BAB VI
KESIMPULAN DAN SARAN
6.1 Kesimpulan
Dari hasil pengujian Fuzzy Time Series untuk meramalkan harga penutupan
saham di atas dapat ditarik kesimpulan yaitu:
1. Fuzzy Time Series dapat digunakan untuk melakukan peramalan saham PT
Gudang Garam Tbk, PT Bank Central Asia Tbk, PT Bumi Serpong Damai
Tbk, dan PT Telekomunikasi Indonesia Tbk dengan error terbesar
digunakan untuk peramalan PT Bumi Serpong Damai pada tahun 2014
menggunakan dataset training tahun 2013 sebesar 2.9172% dan nilai error
terkecil pada saat digunakan untuk meramal PT Bank Central Asia pada
tahun 2015 menggunakan dataset training tahun 2014 sebesar 0.5187%,
selain itu juga terdapat dataset yang tidak dapat diramal yaitu PT PT Bumi
Serpong Damai Tbk pada tahun 2015.
2. Jumlah interval mempengaruhi nilai Mean Square Error dan nilai Average
Error Forecasting Rate yang dipengaruhi oleh komponen time series,
khususnya komponen siklus menggunakan interval yang besar maka akan
menghasilkan error yang kecil.
3. Sedangkan pemilihan nilai D1 dan D2 dipengaruhi oleh nilai dari data
setiap waktunya, semakin kecil nilai data setiap waktu semakin kecil juga
D1 dan D2 yang digunakan.
4. Jumlah interval juga mempengaruhi hasil peramalan. Semakin banyak
jumlah interval yang digunakan maka semakin memungkinkan terdapat
Fuzzy Linguistic yang tidak memiliki anggota sehingga tidak memiliki
relasi. Hal ini berakibat tidak dapat dilakukan proses peramalan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
77
6.2 Saran
Saran untuk pengembangan sistem selanjutnya yaitu:
1.
Untuk penelitian selanjutnya dapat mengimplementasikan metode
Frequency Density Based Partitioning
pembuatan interval.
milik Jilani, dkk., untuk
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
78
DAFTAR PUSTAKA
Aristyani, Y., dan Sugiharti, E., 2015, Peramalan Indeks Harga Saham Gabungan
(IHSG) dengan Metode Fuzzy Time Series Markov Chain, Jurnal MIPA, 38,
2, 186-196 .
Arkov, V., dan Kulikov, G.G, 1999, Fuzzy Markov Modeling In Automatic
Control of Complex Dynamic Systems, International Conference on
Accelerator and Large Experimental Physics Control Systems.
Jilani, dkk., 2010, Fuzzy Metric Approach for Fuzzy Time Series Forecasting
based on Frequency Density Based Partitioning, International Journal of
Computer, Electrical, Automation, Control, and Information Engineering, 4,
7, 1194-1199.
Kusumadewi, S., 2013, Artificial Intelligence Teknik dan Aplikasinya, Graha
Ilmu, Yogyakarta.
Poulsen, J. R., 2009, Fuzzy Time Series Forecasting, Aalborg University Esbjerg.
Render. B., Stair Jr., R.M. dan Hanna, M.E., 2003, Quantitative Analysis for
Management, 8th edition, Pearson Education, Inc., New Jersey.
Siagian P., 2003, Penelitian Operasional dan Praktek, UI-Press, Jakarta
Suresh, S., Kannan, S. S., dan Arumugam, P., 2009, Forecasting Model on Fuzzy
Markov Chain, International Journal of Statistics and Systems, 4, 2, 137147.
Tsaur, R.C., 2012, A Fuzzy Time Series – Markov Chain Model With An
Application to Forecast The Exchange Rate Between The Taiwan and US
Dollar, International Journal of Innovativ Computing, Information and
Control, 8, 7(B), 4931-4942.