IMPLEMENTASI METODE GENE EXPRESSION PROGRAMMING DALAM MODEL PREDIKSI HARGA SAHAM
description
Transcript of IMPLEMENTASI METODE GENE EXPRESSION PROGRAMMING DALAM MODEL PREDIKSI HARGA SAHAM
DISUSUN OLEH:Meiga Restianti
50406463
Pembimbing:DR Raden Supriyanto, MSc.
Gene Expression Programming (GEP) adalah suatu metode yang baru-baru ini dikenalkan sebagai salah satu teknik komputasi evolusioner.
Metode GEP merupakan keturunan dari Genetic Programming. Di GEP, setiap individu didefinisikan sebagai string yang memiliki panjang yang sama, namun setelah dilakukan proses ekspresi tiap individu (kromosom) memiliki panjang yang berbeda.
Analisis data pada time series pada dasarnya digunakan untuk melakukan analisis data yang mempertimbangkan pengaruh waktu. Data-data yang digunakan secara periodik berdasarkan urutan waktu.
Pada analisis time series dapat melakukan peramalan data beberapa periode kedepan yang sangat membantu dalam menyusun perencanaan kedepan.
Para ahli ekonomi, menggunakan analisis time series ini sebagai alat bantu perencanaan daya jangka pendek maupun jangka panjang.
Menggunakan 1 metode dalam penyelesaian masalah, yaitu metode Gene Expression Programming
Untuk pencarian Solusi menggunakan 2 variable dependent (variable bebas) dan 1 variable independent (variable tak bebas).
Variable Dependent = harga saham tertinggi dan terendah
Variable Independent = Harga penutupan saham Untuk dapat memprediksi beberapa hari kedepan
dibutuhkan 2 variable dependent sebagai acuannya.
Membangun sebuah aplikasi yang digunakan untuk membuat sebuah solusi/model matematika terhadap data time series (Harga Saham) dan melakukan prediksi beberapa hari kedepan dengan acuan solusi yang diberikan dengan menggunakan metode Gene Expression Programming.
Diharapkan aplikasi yang dibagun berguna untuk menganalisa data time series dan dapat membantu menyusun rencana dikemudian hari.
Mengumpulkan berbagai refrensi dan jurnal yang berkaitan dengan masalah yang terkait.
Membuat Prototype dari aplikasi yang akan dibuat, dan melakukan perancangan sistem berupa usecase diagram dan activity diagram
Mengimplementasikan aplikasi yang telah dibuat, dan memberikan langkah-langkah untuk pengopersian aplikasi
Melakukan ujicoba terhadap data saham harian dan mingguan pada 3 perusahan (ISAT, BTEL,TLKM)
BAB 1 (Pendahuluan) : berisi uraian masalah terkait permasalahan yang akan dibahas pada penelitian ini secara umum
BAB 2 (Kajian Pustaka) : berisi teori-teori penunjang seputar metode gene expression programming yang digunakan untuk membangun aplikasi
BAB 3 (Pembahasan Masalah) : berisi perancangan terhadap aplikasi yang dibuat, diantaranya perancangan interface, dan perancangan sistem (Use Case Diagram & Activity Diagram)
BAB 4 (Implementasi dan analisis) : berisi proses implementasi, ujicoba, dan analisis aplikasi yang sudah dibuat.
BAB 5 (Penutup) : Berisi kesimpulan terhadap aplikasi yang dibangun. Dan saran penulis yang ditujukan kepada semua pihak yang tertarik pada penelitan ini.
Gene Recombination
End
Evaluate Fitness
Create Chromosome of Initial Population
Express Chromosome
Execute Each Program
Iterate or Terminate
Keep Best Program
Select Program
Replication
Mutation
IS Transposition
RIS Transposition
Gene Transposition
1-point Recombination
2-point Recombination
Prepare New Program of Next Generation
Training Stage
Regresi Sederhana
Predict Event
Learning Stage
Gene Expression ProgrammingTesting Time
Series
a. Use Case Diagram
b. Activity Diagram
a. Rancangan Form Utama
Prediction Time Series Gene Expression Programing
Start About
1 2 3 4
Load
Iteration
Population SizeHead LengthMax Arg
MNSE
CV
R
grafik Setting Parameter GEPdata
Solusi Matematika
Prediksi Error
a. Tampilan Awal Form Utama
b. Tampilan Program Membaca Data
c. Tampilan Program Menseleksi Kromosom terbaik
d. Tampilan Program Menghasilkan Solusi dan Prediksi
Parameter Nilai
Iterasi 1000
Banyaknya Populasi 200
Maximal Argumen 2
Head Length 30
Function set + ,- ,* , /
Metode Seleksi Roulette Wheel
IS Transposition Rate 0.05
RIS Transposition Rate 0.03
One-Point Recombination Rate 0.3
Two-Point Recombination Rate 0.15
Perusahan Kode Periode
PT. Indosat ISAT Harian PT. Indosat ISAT MingguanPT. BakrieTelekomunikasi BTEL HarianPT. BakrieTelekomunikasi BTEL MingguanPT. Telekom TLKM HarianPT. Telekom TLKM Mingguan
Nama Saham Periode Solusi
ISAT Harian (a-(a/b))
ISAT Mingguan (a-(a/b))
BTEL Harian ((a/a)+b)
BTEL Mingguan ((a/a)+b)
TLKM Harian ((a/a)*(a/b)+b))
TLKM Mingguan (b+(a/a)/((b+b)/b))
a = harga saham tertinggi
b = harga saham terendah
01000200030004000500060007000
1/4/2010 2/4/2010 3/4/2010 4/4/2010 5/4/2010
Estimated Closing Price Closing Price
Grafik Harga Saham Harian (ISAT)
02000400060008000
Grafik Harga Saham Mingguan (ISAT)
Estimated Closing Price Closing Price
Grafik Harga Saham ISAT
Grafik Harga Saham BTEL
0
50
100
150
200
1/4/2010 2/4/2010 3/4/2010 4/4/2010 5/4/2010
Grafik Harga Saham Harian (BTEL)
Estimased Closing Price Closing Price
0100200300
Grafik Harga Saham Mingguan (BTEL)
Estimated Closing Price Closing Price
Grafik Harga Saham TLKM
02000400060008000
1000012000
1/4/2010 2/4/2010 3/4/2010 4/4/2010 5/4/2010
Grafik Harga Saham Harian (TLKM)
Estimated Closing Price Closing Price
0.00
2000.00
4000.00
6000.00
8000.00
10000.00
Grafik Harga Saham Mingguan (TLKM)
Estimated Closing Price Closing Price
Grafik Harga Saham Gabungan (Harian)
Grafik Harga Saham Gabungan (Mingguan)
Perhitungan
Perhitungan (Lanjutan)
No Periode NMSE CV R
1 Harian0.073934 0.020622 0.982186
2 Mingguan0.167615 0.047703 0.944642
Saham ISAT
No Periode NMSE CV R
1 Harian0.09107 0.016251 0.959192
2 Mingguan0.09961 0.069894 0.967433
Saham BTEL
No Periode NMSE CV R
1 Harian0.072613 0.01318 0.991074
2 Mingguan0.125211 0.03043 0.970105
SahamTLKM
Semakin banyak data dan semakin tinggi nilai iterasi yang diujikan maka semakin banyak waktu yang dibutuhkan untuk memprosesnya.
Solusi yang dihasilkan pada aplikasi ini masih sederhana. Hal ini dikarenakan operator yang digunakan untuk membentuk solusi masih menggunakan operator-operator dasar. Maka nilai error yang dihasilkan masih tinggi.
Nilai NMSE, CV dan R yang dihasilkan pada masing-masing nilai saham, dipengaruhi oleh solusi matematika yang dihasilkan pada pencarian kromosom terbaik
Data harian cenderung memiliki nilai NMSE lebih kecil, hal ini dikarenakan pada data harian memiliki kerapatan data yang lebih kecil dibandingkan dengan data mingguan.
Dari hasil evaluasi CV, menunjukan rata-rata nilai variasi yang cenderung rendah, hal ini dikarenakan solusi yang dihasilkan tidak terlalu kompleks. Sehingga dibutuhkan operator-operator tambahan untuk data saham yang cenderung fluktuatif.
Pada tingkat korelasi antara data asli dengan model yang dibentuk, memilki tingkat korelasi yang cukup tinggi karena hampir seluruh nilai mendekati 1.
Dalam menentukan nilai prediksi suatu data time series dapat dilakukan dengan menggunakan beberapa metode. Untuk kasus ini, penulis mencoba menggunakan metode Gene Expression Programming (GEP).
Pada tahap uji coba, data yang digunakan adalah data saham harian dan mingguan pada 3 perusahaan, yaitu saham ISAT, BTEL dan TLKM.
Metode gene expression programming ini menghasilkan sebuah solusi matematika yang akan dijadikan sebuah model untuk memprediksi data yang diuji.
Untuk tingkat akurasi prediksinya, bergantung pada nilai data yang diujikan.
Solusi yang dihasilkan pada setiap ujicoba akan berbeda-beda, karena dipengaruhi oleh faktor random saat pembentukan kromosom awal.
Solusi yang dihasilkan belum terlalu optimal karena pada aplikasi ini hanya melibatkan operator-operator matematika yang dasar.
Pada ujicoba dapat dilihat bahwa semakin banyak data yang diuji oleh metode gene expression programming ini, maka semakin kecil pula kesalahan untuk membuat solusi dan model datanya.