Peramalan Harga Saham Menggunakan Support Vector - j

advertisement
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Vol. 2, No. 1, Januari 2018, hlm. 209-216
e-ISSN: 2548-964X
http://j-ptiik.ub.ac.id
Peramalan Harga Saham Menggunakan Support Vector Regression Dengan
Algoritme Genetika
Nanda Agung Putra1, Budi Darma Setiawan2, Putra Pandu Adikara3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: [email protected], [email protected], [email protected]
Abstrak
Saham merupakan bukti investasi ke perusahaan yang mana pemegang saham berhak untuk
mengklaim aset dan keuntungan perusahaan. Pemegang saham dapat memperoleh keuntungan seperti
pembagian dividen dan menjual saham dengan nilai yang lebih tinggi (capital gain). Pemegang saham
perlu berhati-hati dalam mengolah sahamnya karena harga saham yang terus berubah. Pemegang
saham biasanya memantau pergerakan harga saham dan menganalisanya dengan cara melakukan
peramalan. Support Vector Regression (SVR) merupakan metode peramalan yang handal dalam
meramalkan data yang linier dan non linier. SVR juga handal dalam membuat model yang pas yaitu
tidak overfit dan underfit. SVR juga memiliki kelemahan yaitu kinerja SVR sangat bergantung
terhadap parameter di dalamnya. Menentukan nilai parameter yang tepat merupakan hal yang sangat
penting. Salah satu algoritme optimasi yang handal adalah algoritme genetika. Algoritme genetika
digunakan untuk menentukan parameter SVR yang tepat sehingga mampu menghasilkan peramalan
yang baik. SVR yang dioptimasi dengan algoritme genetika mampu menghasilkan peramalan yang
bagus. Hasil pengujian menunjukkan nilai kesalahan/MAPE yang diperoleh adalah 0,165%
dibandingkan hanya dengan menggunakan SVR saja yaitu 1,612% dengan parameter terbaik antara
lain ukuran populasi 50, banyaknya generasi 200, tingkat crossover 0,4, tingkat mutasi 0,6 , rentang
nilai sigma 0,5-1 , rentang nilai epsilon 10-7-10-3, rentang nilai C 0,01-5, dan rentang nilai gamma 10-510-3.
Kata kunci: Saham, SVR, Algoritme Genetika, MAPE
Abstract
Stock is a proof of investing in a corporation and stock holders have the right to claim part of
corporation’s earning and assets. Stock holders can gain a lot ot of benefit such receiving dividens
and selling their stocks with higher value (capital gain). Stock holders need to be careful to manage
their assets because stock prices keep changing over time. Stock holders usually monitor stock prices
change and analyze them by forecasting. Support Vector Regression (SVR) is one of forecasting
methods that performs well in both linear and non linear data. SVR can obtained a fitted model that is
neither overfit nor underfit. However SVR has one drawback. The performance of SVR is greatly
affected by its parameter. So finding the right parameter value on SVR is needed to gain a good
forecasting result. One of optimization algorithms is Genetic Algorithm. Genetic Algorithm is used in
order to get the right value of SVR parameter. SVR that is optimized by Genetic Algorithm is capable
of getting a good result in forecasting. The test shows error rate/MAPE of forecasting is 0.165%
which is smaller than using SVR which is 1.612% with best parameters such as population size 50,
generation 200, crossover rate 0.4, mutation rate 0.6, range of sigma 0.5-1, range of epsilon 10-7-10-3,
range of C 0.001-5, and range of gamma 10-5-10-3.
Keywords: Stock, SVR, Genetic Algorithm, MAPE
perusahaan yang nantinya digunakan oleh
perusahaan dalam menjalankan bisnis dan
kegiatan operasionalnya (Dalton, 2001).
Dengan memiliki saham, pemegang saham
memiliki hak untuk mengklaim atas laba dan
1. PENDAHULUAN
Saham adalah tanda bukti kepemilikan
suatu perusahaan. Saham juga merupakan bukti
investasi atas modal/pendanaan terhadap suatu
Fakultas Ilmu Komputer
Universitas Brawijaya
209
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
aset perusahaan. Beberapa keuntungan yang
didapat dengan memiliki saham adalah
pembagian
keuntungan
(dividen)
dari
perusahaan dan menjual kembali saham dengan
nilai yang lebih besar (capital gain) (Darmadji
dan Fakhruddin, 2001).
Investasi saham tidak lepas dari risiko.
Terdapat 2 jenis risiko yang perlu diperhatikan
yaitu risiko sistematik dan risiko tidak
sistematik. Risiko sistematik adalah risiko yang
terjadi dalam pasar. Risiko tidak sistematik
adalah risiko khusus yang terjadi dalam
perusahaan. Dampak kedua risiko tersebut
adalah fluktuasi harga saham dan perusahaan
dapat mengalami kebangkrutan sehingga
pemegang
saham
tidak
mendapatkan
keuntungan (Samsul, 2006).
Fluktuasi harga saham yang tidak mudah
ditebak mengharuskan investor untuk berhatihati dalam mengolah saham. Investor biasanya
memantau pergerakan harga saham dan
menganalisisnya. Salah satu strategi investasi
adalah strategi berdasarkan pertumbuhan.
Strategi ini diaplikasikan dengan meramalkan
harga saham pada masa depan berdasarkan data
pada masa lampau. Apabila peramalan tepat
maka investor mendapatkan keuntungan
melalui capital gain. Apabila peramalan tidak
tepat akan mengakibatkan terjebaknya investor
dalam anomaly momentum atau pergerakan
harga saham yang selalu naik/turun (Sina,
2016).
Untuk meminimalisir kesalahan dalam
melakukan peramalan dibutuhkan sebuah
metode yang menghasilkan hasil peramalan
yang mendekati hasil aktual. Penelitian
mengenai peramalan harga saham pernah
dilakukan sebelumnya oleh Ariyo, dkk (2014)
menggunakan
metode
Auto
Regressive
Integrated Moving Average (ARIMA). Harga
saham yang diprediksi adalah harga saham
Nokia dan Zenith Bank. Hasil dari penelitian
menunjukkan metode ARIMA bekerja dengan
baik dalam peramalan jangka pendek.
Kelemahan dari metode ARIMA adalah buruk
dalam memprediksi data yang memiliki titik
balik dan proses identifikasi model yang benar
sulit dipahami dan biasanya mahal dalam
komputasi serta sangat bergantung terhadap
kemampuan dan pengalaman peramal.
Support Vector Regression (SVR) adalah
salah satu metode dalam meramalkan data
secara non linier. Dasar dari metode ini adalah
mengubah data ke dalam dimensi yang lebih
tinggi berdasarkan fungsi tertentu (Christianini
Fakultas Ilmu Komputer, Universitas Brawijaya
210
dan Taylor, 2000). Salah satu penelitian yang
menggunakan
metode
Support
Vector
Regression adalah penelitian yang dilakukan
oleh Sari (2009). Penelitian yang dilakukan
bertujuan untuk memprediksi bonus tahunan
karyawan berdasarkan kinerja. Kriteria yang
digunakan dalam menilai kinerja karyawan
adalah produktifitas, inisiatif, interpersonal
skill, kualitas, job knowledge, kemandirian dan
kerjasama. Metode SVR mampu memberikan
hasil yang baik. Hal ini dibuktikan dengan nilai
kesalahan Mean Squared Error (MSE) dan
Mean Absolute Deviation (MAD) yang
didapatkan yaitu sebesar 8,091x10-4 dan 0,0248.
Kinerja SVR sangat bergantung terhadap
beberapa parameter di dalamnya. Menentukan
parameter yang optimal dalam SVR merupakan
hal yang sangat penting. Untuk itu diperlukan
sebuah metode pengoptimalan yang handal agar
mampu memperoleh parameter yang optimal
dalam SVR sehingga hasil ramalan yang
diperoleh menjadi lebih baik. Salah satu metode
pengoptimalan yang handal adalah Algoritma
Genetika. Hal ini dibuktikan dalam penelitian
yang dilakukan oleh Ghorbani, dkk (2016).
Penelitian bertujuan untuk memprediksi
pengendapan asphaltin menggunakan SVR
dengan algoritma genetika. Hasil penelitian
menunjukkan bahwa SVR dengan algoritma
genetika mempu memberikan performa dan
hasil ramalan yang baik yaitu dengan nilai
kesalahan Root Mean Square Error (RMSE)
sebesar 0,1 – 0,22. Penelitian yang dilakukan
Yuan (2012) mencoba untuk membandingkan
metode Support Vector Regression – Algoritme
genetika dengan metode lain. Hasil yang
diperoleh dalam penelitian menunjukkan bahwa
SVR-GA mampu memberikan hasil yang lebih
baik daripada metode Least Mean Square,
Backpropagation dan SVR.
Berdasarkan permasalahan yang telah
dijelaskan,
dilakukan
penelitian
untuk
meramalkan harga saham menggunakan SVR
yang dioptimasi dengan algoritme genetika.
2. Tinjauan Pustaka
2.1. Saham
Saham adalah sebuah bukti bahwa seorang
investor menginvestasikan dana kepada suatu
perusahaan. Dana yang berasal dari penerbitan
saham akan digunakan oleh perusahaan untuk
kegiatan operasionalnya. Kinerja perusahaan
dapat dinilai dengan banyaknya saham yang
dimiliki para investor. Kinerja perusahaan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
tinggi apabila investor memiiki banyak saham,
dan sebaliknya (Azis, Mintarti dan Nadir,
2015).
Karakteristik yang dimiliki saham antara
lain: (1) limited risk, tanggung jawab pemegang
saham hanya sebatas jumlah saham yang
dimiliki, (2) ultimate control, fokus dan sasaran
perusahaan secara kolektif ditentukan oleh para
pemegang saham, (3) residual claim, menjadi
pihak terakhir dalam pembagian keuntungan
apabila perusahaan dibubarkan (likuidasi)
(Dwimulyani, 2008). Selain itu karakteristik
lain dari saham adalah mendapatkan dividen
selama perusahaan mengalami keuntungan dan
mampu memindahkan kepemilikan atas
sahamnya (Fakhruddin dan Andianto, 2001).
2.2. Support Vector Regression
Support Vector Machine (SVM) pada
awalnya dikembangkan untuk mengatasi
masalah
klasifikasi
namun
dalam
perkermbangannya
SVM
juga
mampu
mengatasi masalah regresi. SVM yang mampu
mengatasi masalah regresi disebut Support
Vector
Regression
(SVR).
SVR
mempertahankan fitur utama dalam SVM yang
merupakan ciri dari algoritme batas maksimal
(Chen, Lu, Yang dan Li, 2004). SVR bertujuan
untuk membuat garis pemisah yang dekat
dengan
sebanyak-banyaknya
data
dan
memperkecil jarak antara garis pemisah dan
data.
SVR tidak hanya mampu mengatasi
masalah dengan data linier namun mampu
mengatasi data nyata yang bersifat non linier.
Pada data non linier, SVR mengubah vektor
input ke dimensi yang lebih tinggi dengan
menggunakan fungsi kernel. SVR non linear
dapat diformulasikan pada Persamaan 1.
𝑓(π‘₯) = ∑𝑙𝑖=1(𝛼𝑖∗ − 𝛼𝑖 ) (𝐾(π‘₯𝑖 , x) + πœ†2 )
(1)
𝛼𝑖∗ dan 𝛼𝑖 merupakan variabel Lagrange,
K(xi,x) merupakan fungsi kernel dan λ
merupakan variabel skalar.
Fungsi kernel bertujuan untuk memetakan
data yang awalnya non linier ke dalam ruang
fitur. Dengan menggunakan fungsi kernel
mampu mendeteksi hubungan linear dalam
ruang fitur tersebut. Fungsi kernel yang sering
digunakan dan dipakai dalam penelitian ini
adalah Radial Basis Function (RBF) yang dapat
diformulasikan pada Persamaan 2.
2
𝐾(π‘₯𝑖 , π‘₯𝑗 ) = 𝑒π‘₯𝑝 (
−β€–π‘₯𝑖 −π‘₯𝑗 β€–
2𝜎2
)
Fakultas Ilmu Komputer, Universitas Brawijaya
(2)
211
||xi-xj|| merupakan jarak euclidean dan σ
merupakan parameter bebas.
Sequential learning diajukan untuk
menemukan nilai 𝛼𝑖∗ dan 𝛼𝑖 dengan lebih cepat.
Langkah-langkah sequential learning adalah
sebagai berikut:
a. Inisialisasi variabel 𝛼𝑖∗ dan 𝛼𝑖 sebanyak
data.
b. Hitung matriks Hessian (R) dengan
Persamaan 3.
[𝑅]𝑖𝑗 = 𝐾(π‘₯𝑖 , x) + πœ†2
(3)
Keterangan:
Rij = matriks Hessian
c. Untuk setiap data latih, i= 1,2,...,n
lakukan Persamaan 4-8.
𝐸𝑖 = 𝑦𝑖 − ∑𝑛𝑖=1(𝛼𝑖∗ − 𝛼𝑖 )𝑅𝑖𝑗 (4)
*
δαi = min{max[γ(Ei -ε),-α*i ] ,C-α*i } (5)
δαi =min{ max[γ(-Ei -ε),-αi ] ,C-αi } (6)
𝛼𝑖∗ = 𝛼𝑖∗ + 𝛿𝛼𝑖∗
(7)
𝛼𝑖 = 𝛼𝑖 + 𝛿𝛼𝑖
(8)
Keterangan:
Ei = nilai error ke-i
yi = nilai aktualdata ke-i
δαi* , δαi = perubahan nilai αi* dan αi
ε = epsilon
C = kompleksitas
γ= laju pembelajaran
d. Proses dapat dihentikan apabila sudah
mencapai iterasi maksimum atau
π‘šπ‘Žπ‘₯ |𝛿𝛼𝑖∗ | < πœ€ dan π‘šπ‘Žπ‘₯ |𝛿𝛼𝑖 | < πœ€.
Apabila salah satu syarat belum
terpenuhi maka ulangi langkah c.
Untuk mengetahui seberapa baik kinerja
SVR maka diperlukan cara untuk mengevaluasi
hasil peramalan. Salah satu cara evaluasi
kinerja SVR adalah menggunakan Mean
Absolute Percentage Error (MAPE). MAPE
dapat dibangkitkan dengan Persamaan 9.
100 𝑛
𝑆 −𝑅
∑𝑖=1 | 𝑖 𝑖|
𝑀𝐴𝑃𝐸 =
(9)
𝑛
𝐴𝑖
S adalah hasil aktual, R adalah hasil peramalan
dan n adalah banyaknya data.
2.3. Algoritme Genetika
Algoritme Genetika merupakan algoritme
yang terinspirasi dari kinerja gen dan proses
seleksi alam. Algoritme genetika biasanya
digunakan untuk menghasilkan solusi yang
terbaik dari masalah pencarian dan optimisasi.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Algoritme genetika adalah algoritme
iteratif yang biasanya beroperasi dalam
populasi yang konstan dan dieksekusi
berdasarkan urutan tertentu. Algoritme genetika
diawali dengan proses pembentukan populasi
yang diinisialisasi secara acak. Kromosom
terdiri dari 4 gen berupa bilangan riil yang
merupakan parameter SVR yang akan
dioptimasi. Parameter tersebut antara lain sigma
(σ) yang mempengaruhi Gaussian kernel yang
terbentuk, epsilon (ε) yang mempengaruhi batas
dimana kesalahan klasifikasi dapat diabaikan, C
yang mempengaruhi nilai penalti yang
diberikan ketika terjadi kesalahan klasifikasi
dan gamma (Ι£) yang mempengaruhi laju
pembelajaran. Proses selanjutnya yaitu proses
pembentukan individu baru yang didapatkan
dengan melakukan crossover dan mutasi.
Contoh representasi kromosom dapat dilihat
pada Tabel 1.
Tabel 1 Contoh Representasi Kromosom
Individu
σ
ε
C
Ι£
0,062
0,003
I1
0,4544
14,530
1,091x10-05
I2
0,6938
68,024
8,657x10-05
Crossover merupakan operator genetika
utama. Proses ini mengombinasikan kedua gen
induk untuk mengasilkan sebuah keturunan.
Pada penelitian digunakan metode extended
intermediate crossover untuk menghasilkan
keturunan. Metode crossover tersebut dipilih
karena mampu menghasilkan individu baru
yang hampir sama dengan individu induk atau
sedikit berbeda dengan individu induk.
Crossover ini dapat dibangkitkan dengan
Persamaan 10 dan 11.
𝐴1 = 𝐼1 + 𝛼(𝐼2 − 𝐼1 )
(10)
(
)
𝐴2 = 𝐼2 + 𝛼 𝐼1 − 𝐼2
(11)
A merupakan individu anak, I adalah individu
induk dan α merupakan faktor skalar dengan
rentang [-d,1+d]. Contoh hasil crossover
dengan alpha sebesar 0,5 dapat dilihat pada
Tabel 2.
Tabel 2 Contoh Proses Crossover
Individu
σ
ε
C
Ι£
A1
0,5741
41,277
4,87x10-05
0,0325
Proses menghasilkan keturunan juga
mampu diperoleh dengan mutasi. Berbeda
dengan crossover,mutasi hanya memerlukan 1
buah induk untuk menghasilkan keturunan.
Mutasi
bekerja
dengan
mengubah
beberapa/semua gen dalam induk untuk
menghasilkan keturunan. Metode mutasi yang
Fakultas Ilmu Komputer, Universitas Brawijaya
212
digunakan dalam penelitian adalah random
mutation. Kelebihan mutasi tersebut adalah
mudah dalam implementasi namun mampu
menjaga keberagaman individu dalam satu
generasi. Mutasi ini dapat dibangkitkan dengan
Persamaan 12.
𝐴𝑖 = 𝐼𝑖 + π‘Ÿ(π‘šπ‘Žπ‘₯𝑖 − π‘šπ‘–π‘›π‘– )
(12)
A merupakan individu anak, I merupakan
individu induk dan r adalah bilangan acak.
Contoh hasil mutasi dengan nilai r sebesar 0,0248 dapat dilihat pada Tabel 3.
Tabel 3 Contoh Hasil Mutasi
Individu
A2
σ
0,6714
ε
C
Ι£
65,537
8,41x10-05
0,001
Proses selanjutnya yaitu evaluasi. Evaluasi
bertujuan untuk mengetahui seberapa baik
kualitas dari solusi yang ditemukan. Proses
evaluasi menggunakan fungsi fitness yang dapat
dibangkitkan dengan Persamaan 13.
1
𝑓𝑖𝑑𝑛𝑒𝑠𝑠 =
(13)
1+𝑀𝐴𝑃𝐸
Proses selanjutnya yaitu proses seleksi.
Seleksi bertujuan untuk menyeleksi individuindividu yang akan masuk ke generasi
selanjutnya. Metode seleksi yang digunakan
dalam penelitian adalah elitsm. Metode ini
bekerja dengan mengurutkan semua individu
berdasarkan fitness-nya dari yang terbesar
hingga terkecil kemudian meloloskan individuindividu dengan fitness tertinggi sejumlah
populasi ke generasi berikutnya. Kelebihan dari
metode seleksi ini tetap menjaga agar individu
terbaik akan selalu lolos.
Proses algoritme genetika dapat dihentikan
apabila mencapai generasi maksimum, telah
menghasilkan solusi yang bisa dihandalkan atau
kondisi berhenti yang lebih canggih yang
mampu mengindikasikan adanya konvergensi
secara prematur (Affenzeler, Wagner, Winkler
dan Beham, 2009).
3. MODEL EKSPERIMEN
3.1. Model Algoritme Genetika-SVR
Proses SVR yang dioptimasi dengan
Algoritme Genetika diawali dengan Algoritme
Genetika. Algoritme Genetika digunakan untuk
memperoleh parameter SVR yang optimal.
Setelah proses Algoritme Genetika selesai dan
mendapatkan parameter SVR yang optimal
akan dilanjutkan ke proses SVR. SVR diawali
dengan proses normalisasi data dan dilanjutkan
ke proses pembelajaran dengan data latih.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Proses pembelajaran akan menghasilkan model
regresi yang akan digunakan dalam melakukan
peramalan. Model regresi yang telah didapat
akan dicoba pada data uji untuk mengetahui
seberapa bagus model tersebut. Diagram alur
proses Algoritme Genetika-SVR dapat dilihat
pada Gambar 1.
Mulai
Cr, mr,ukuran populasi,
generasi, rentang parameter
SVR
Inisialisasi
For i=1 to generasi
Crossover
Mutasi
Evaluasi
213
sedangkan data uji yang digunakan adalah
harga saham pada periode waktu 2016.
4. PENGUJIAN DAN ANALISIS
Terdapat 8 pengujian yang dilakukan dalam
penelitian. Pengujian yang dilakukan antara lain
jumlah
populasi,
banyaknya
generasi,
kombinasi rentang crossover dan rentang
mutasi, rentang nilai SVR yang dioptimasi dan
jumlah iterasi dalam SVR.
4.1. Pengujian dan Analisis Ukuran Populasi
Berdasarkan Gambar 2 dapat diketahui
bahwa nilai MAPE cenderung menurun ketika
ukuran populasi semakin banyak. Ukuran
populasi mempengaruhi seberapa banyak solusi
yang ditemukan. Populasi yang kecil akan
menemukan sejumlah kecil solusi namun
populasi yang besar akan menemukan lebih
banyak solusi. Ukuran populasi yang terlampau
besar tidak akan meningkatkan akurasi solusi
namun hanya menambah waktu komputasi.
Dalam masalah ini ukuran populasi yang dipilih
adalah 50.
Seleksi
i
Parameter SVR
optimal
Normalisasi Data
Sequential Learning
Uji Model Regresi
Hasil Ramalan, MAPE
Selesai
Gambar 1 Diagram Alur Algoritme Genetika-SVR
3.2. Data Penelitian
Data yang digunakan dalam penelitian
adalah data harga saham Bank BRI pada
periode waktu 2015-2016 yang diambil dari
Google Finance. Data terdiri dari 4 fitur yaitu
open, close, highest dan lowest namun fitur
yang dipakai dalam penelitian adalah rata-rata
dari 4 fitur tersebut.
Data latih yang digunakan dalam penelitian
adalah harga saham pada periode waktu 2015
Fakultas Ilmu Komputer, Universitas Brawijaya
MAPE
3
2,772 2,779
2
1
0,788 0,785
0,572 0,572 0,572 0,572 0,572 0,572
0
10 20 30 40 50 60 70 80 90 100
Ukuran Populasi
Gambar 2 Hasil Pengujian Ukuran Populasi
4.2. Pengujian dan Analisis Banyaknya
Generasi
Berdasarkan Gambar 3 dapat diketahui
bahwa nilai MAPE cenderung menurun ketika
banyaknya generasi membesar. Generasi
mempengaruhi seberapa lama proses Algoritme
Genetika. Semakin besar nilai generasi semakin
lama banyaknya solusi yang ditemukan. Nilai
generasi yang terlampau besar hanya akan
menambah
waktu
komputasi
tanpa
meningkatkan akurasi solusi yang ditemukan.
Banyaknya generasi yang dipilih dalam
masalah ini adalah 200 karena proses algoritme
genetika sudah mengalami konvergensi.
0,575 0,575 0,575 0,575 0,575
4,5444,544
1,6271,628
0,57 0,573
Rentang Nilai Sigma
4.3. Pengujian dan Analisis Kombinasi
Tingkat Crossover dan Mutasi
MAPE
8,9538,9538,9538,9539,3099,309
Banyaknya Generasi
Gambar 3 Hasil Pengujian Banyaknya Generasi
0,6
0,59
0,58
0,57
0,56
0,55
10
8
6
4
2
0
0.001-0.01
0.001-0.1
0.005-0.01
0.005-0.1
0.01-0.1
0.01-1
0.05-0.1
0.05-1
0.1-1
0.1-5
0.5-1
0.5-5
0,619 0,633 0,581 0,579 0,577 0,577
MAPE
0,918
Gambar 5 Hasil Pengujian Rentang Nilai Sigma
4.5. Pengujian dan Analisis Rentang Nilai
Epsilon
0,596
0,5740,574
0,5710,5730,57 0,5710,5710,5720,5720,572
MAPE
1
0,8
0,6
0,4
0,2
0
214
25
50
75
100
125
150
175
200
225
250
500
1000
MAPE
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
2,5
2
1,5
1
0,5
0
1,697
1,915
1,329
0,572 0,569 0,57 0,572 0,57 0,571
mr 1 0.90.80.70.60.50.40.30.20.1 0
cr 0 0.10.20.30.40.50.60.70.80.9 1
Rentang Nilai Epsilon
Kombinasi tingkar crossover dan mutasi
Berdasarkan Gambar 4 dapat diketahui
bahwa tingkat crossover dan mutasi cenderung
stabil.
Tingkat
crossover
mengontrol
kemampuan Algoritme Genetika dalam hal
eksploitasi atau proses mencari solusi terbaik
menggunakan individu yang sudah diketahui
agar mencapai solusi lokal yang optimal.
Tingkat
mutasi
mengontrol
kecepatan
Algoritme Genetika dalam hal eksplorasi area
yang baru. Nilai tingkat crossover dan mutasi
yang dipilih dalam masalah ini adalah 0,4 dan
0,6.
4.4. Pengujian dan Analisis Rentang Nilai
Sigma
Berdasarkan Gambar 5 dapat diketahui
bahwa rentang nilai sigma yang kecil
menghasilkan nilai MAPE yang bagus. Sigma
mempengaruhi bagaimana pemetaan data
terbentuk. Nilai sigma yang kecil akan
memetakan data secara tajam. Nilai sigma yang
besar akan memetakan data secara data. Nilai
rentang sigma yang dipilih dalam masalah ini
adalah 0.5-1.
Fakultas Ilmu Komputer, Universitas Brawijaya
Gambar 6 Hasil Pengujian Rentang Nilai Epsilon
Berdasarkan Gambar 6 dapat diketahui
bahwa nilai epsilon yang kecil akan
menghasilkan nilai MAPE yang bagus. Epsilon
mempengaruhi batas kesalahan dapat diabaikan.
Nilai epsilon yang kecil menunjukkan batas
kesalahan yang ditoleransi kecil sehingga
proses pembelajaran menjadi lebih lama untuk
menemukan model yang cocok. Nilai rentang
epsilon yang dipilih dalam masalah ini adalah
10-7-0.001
4.6. Pengujian dan Analisis Rentang Nilai C
MAPE
Gambar 4 Hasil Pengujian Kombinasi Tingkat
Crossover dan Mutasi
2
1,5
1
0,5
0
1,52
0,5710,5710,5690,570,5710,5710,57
Rentang Nilai C
Gambar 7 Hasil Pengujian Rentang Nilai C
Berdasarkan Gambar 7 dapat diketahui
bahwa semakin besar nilai C maka semakin
bagus nilai MAPE yang dihasilkan. Nilai C
berpengaruh terhadap penalti yang diberikan
ketika terjadi kesalahan dalam klasifikasi. Nilai
rentang C yang dipilih dalam masalah ini
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
adalah 0.01-5
4.7. Pengujian dan Analisis Rentang Nilai
Gamma
MAPE
Berdasarkan Gambar 8 dapat diketahui
bahwa nilai rentang gamma dengan rentang
0.00001-0.001 menghasilkan nilai MAPE
terendah. Nilai gamma berpengaruh terhadap
laju pembelajaran. Nilai gamma yang kecil
mengakibatkan laju pembelajaran berjalan
pelan dan konvergensi lama dicapai. Nilai
gamma yang besar mengakibatkan laju
pembelajaran berjalan dengan cepat dan
memungkinkan nilai minimum tidak mampu
didapatkan.
5
4
3
2
1
0
3,9
1,232
0,57
1,232
0,569 0,57 0,569 0,572 0,589
Rentang Nilai Gamma
Gambar 8 Hasil Pengujian Rentang Nilai Gamma
4.8. Pengujian dan Analisis Jumlah Iterasi
SVR
0,431
2000
1800
0,184 0,174 0,165
1600
1400
0,210 0,196
1200
1000
0,247 0,226
800
0,276
600
0,323
400
0,500
0,400
0,300
0,200
0,100
0,000
200
MAPE
Berdasarkan Gambar 9 dapat diketahui
bahwa nilai MAPE semakin turun dengan
meningkatnya iterasi. Iterasi mempengaruhi
lama proses pembelajaran dilakukan. Semakin
besar iterasi maka proses pembelajaran
berlangsung
lama
sehingga
mampu
menghasilkan model yang lebih tepat. Nilai
iterasi yang dipilih dalam masalah ini adalah
2000.
Iterasi
Gambar 9 Hasil Pengujian Jumlah Iterasi SVR
5. KESIMPULAN
Berdasarkan hasil yang diperoleh dalam
penelitian peramalan harga saham dengan
menggunakan SVR dan algoritme genetika
Fakultas Ilmu Komputer, Universitas Brawijaya
215
mampu meramalkan harga saham secara tepat
dengan nilai kesalahan/MAPE yang kecil yaitu
0,165% dibandingkan dengan hasil peramalan
menggunakan SVR saja yaitu 1,612%.
6. DAFTAR PUSTAKA
Affenzeler, M., Wagner, S., Winkler, S. dan
Beham, A., 2009. Genetic Algorithm and
Genetic Programming: Modern Concepts
and Practical Applications. United States
of America: CRC Press.
Ariyo, A.A., Adewumi, A.O. dan Ayo, C.K.,
2014. Stock Price Prediction Using the
ARIMA Model. 2014 UKSim-AMSS 16th
International Conference on Computer
Modelling and Simulation, [daring]
hal.106–112. Tersedia pada:
<http://ieeexplore.ieee.org/document/70460
47/>.
Azis, M., Mintarti, S. dan Nadir, M., 2015.
manajemen Investasi Fundamental,
Teknikal, Perilaku Investor dan Return
Saham. Deepublish.
Chen, N., Lu, W., Yang, J. dan Li, G., 2004.
Support Vector Machine in Chemistry.
Singapore: World Scientific.
Christianini, N. dan Taylor, J.S., 2000. An
Introduction to Support Vector Machines
and Other Kernel-based Learning Method.
Cambridge: Cambridge University Press.
Dalton, J.M., 2001. How The Stock Market
WOrks. 3 ed. United States of America:
New York Institute of Finance.
Darmadji, T. dan Fakhruddin, H.M., 2001.
Pasar Modal di Indonesia. Salemba Empat.
Dwimulyani, S., 2008. Analisis Pemecahan
Saham (Stock Split): Dampaknya Terhadap
Likuidiyas Perdagangan Saham dan
Pendapatan Perusahaan Publik Indonesia.
Jurnal Informasi , Perpajakan, Akuntansi
dan Keuangan Publik, 3(1).
Fakhruddin, M. dan Andianto, S., 2001.
Perangkat dan Model Analisis Investasi di
Pasar Modal. Jakarta: PT. Elex Media
Komputindo.
Ghorbani, M., Zargar, G. dan Jazayeri-rad, H.,
2016. Prediction of asphaltene precipitation
using support vector regression tuned with
genetic algorithms. Petroleum 2, [daring]
2(3), hal.301–306. Tersedia pada:
<http://dx.doi.org/10.1016/j.petlm.2016.05.
006>.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Samsul, M., 2006. Pasa Modal & Manajemen
Portofolio. Indonesia.
Sari, D.P., 2009. Analisis Performansi Support
Vector Regression Dalam Memprediksi
Bonus Tahunan Karyawan. J@TI Undip,
IV(1), hal.17–26.
Sina, P.G., 2016. Financial Contemplation Part
2. Guepedia.
Yuan, F.-C., 2012. Parameters Optimization
Using Genetic Algorithms in Support
Vector Regression for Sales Volume
Forecasting. Applied Mathematics,
3(October), hal.1480–1486.
Fakultas Ilmu Komputer, Universitas Brawijaya
216
Download