PREDIKSI HARGA PENUTUPAN SAHAM MENGGUNAKAN … · kemudian dicari nilai maksimal dan minimal untuk...
Transcript of PREDIKSI HARGA PENUTUPAN SAHAM MENGGUNAKAN … · kemudian dicari nilai maksimal dan minimal untuk...
i
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ii
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
v
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vi
HALAMAN PERSEMBAHAN
Skripsi ini saya persembahkan kepada :
Vincentius Andi Andono
Laurentia Endang Ariyantini
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
viii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ix
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 nilai-
nilai 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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
x
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xi
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xii
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiii
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiv
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xv
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xvi
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xvii
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xviii
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
1
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
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
7
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).
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
Harga Saham
Fraksi Harga Saham
(Tick Price)
Maksimum Fraksi
(Max. Price Movement)
< Rp 200,- Rp 1,- Rp 10,-
Rp 200,- sd <
Rp 500,- Rp 2,- Rp 20,-
Rp 500,- sd < Rp 5,- Rp 50,-
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
9
Rp 2000,-
Rp 2000,- sd <
Rp 5000,- Rp 10,- Rp 100,-
Rp 5000,- > 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 nilai-
nilai 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 non-
periodik.
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
18
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
Memory 4GB DDR3
Hard Drive 1TB SATA III 2.5” Drive
Graphic Prosessing Unit NVIDIA GeForce GTX 940m
Operating System 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
21
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
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 A1 → A2
A2 → A2 A2 → A4 A4 → A5
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
Awal
Berada dalam homeView.
Skenario Aksi Aktor Respon Sistem
Step 1 : Menekan tombol File
Step 3 : User memilih file
dengan format .csv
Step 2 : Membuka jendela
JFileChooser
Step 4 : mengambil direktori
lokasi file dan dipassing ke kelas
FileReadController. Kemudian
data tanggal dan close price
disimpan menggunakan
setRawDataList.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
33
Step 5 : Menampilkan data
Tanggal dan close price ke tabel
di bagian kiri interface
Skenario
Alternatif
Aksi Aktor Respon Sistem
Kondisi
Akhir
Akan muncul data harga penutupan saham berdasarkan file yang
diinputkan oleh user di tabel sebelah kiri interface.
- Training Data
Aktor User
Kondisi
Awal
Berada dalam homeView dan sudah menginputkan file.
Skenario Aksi Aktor Respon Sistem
Step 1 : Menginputkan interval
dan nilai D1,D2
Step 2 : Menekan tombol
hitung
Step 3 : mem-passing
interval,D1, dna D2 ke
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
Alternatif
Aksi Aktor Respon Sistem
Kondisi
Akhir
Akan muncul data hasil peramalan ditabel bagian kiri interface
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
Awal
Berada dalam homeView dan sudah melakukan peramalan.
Skenario Aksi Aktor Respon Sistem
Step 1 : Menekan tombol
Search
Step 3 : User menginputkan
data F-1
Step 4 : Menekan tombol
Forecast
Step 2 : Menampilkan
SearchView
Step 5 : mempassing data, harga,
matrix, interval, min, max,
nilaiRentang ke method forecast()
Step 6 : Mengisi TextField
dengan data hasil peramalan.
Skenario
Alternatif
Aksi Aktor Respon Sistem
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
45
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
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)
D1,D2
Interval
15 20 25 30 35 40
MSE AFER MSE AFER MSE AFER 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)
D1,D2
Interval
15 20 25 30 35 40
MSE AFER MSE AFER MSE AFER 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)
D1,D2
Interval
15 20 25 30 35 40
MSE AFER MSE AFER MSE AFER 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)
D1,D2
Interval
15 20 25 30 35 40
MSE AFER MSE AFER MSE AFER 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 milik Jilani, dkk., untuk
pembuatan interval.
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, 137-
147.
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI