1 / 42

Agung Wibowo M. Sukrisno Mardiyanto

Penerapan Metode Adaptive-Network-based Fuzzy Inference System (ANFIS) Model Sugeno untuk memprediksi index saham ( studi kasus saham LQ45 IDX). Agung Wibowo M. Sukrisno Mardiyanto. Latar Belakang Masalah. Saham instrument investasi yang mampu memberikan tingkat keuntungan menarik

conway
Download Presentation

Agung Wibowo M. Sukrisno Mardiyanto

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. PenerapanMetode Adaptive-Network-based Fuzzy Inference System (ANFIS) Model Sugenountukmemprediksi index saham(studikasussaham LQ45 IDX) AgungWibowo M. SukrisnoMardiyanto

  2. LatarBelakangMasalah Saham instrument investasi yang mampu memberikan tingkat keuntungan menarik (IDX, Default.aspx (saham)). Prediksi keberhasilan prediksi harga saham dapat menjanjikan keuntungan yang menarik. Tugasini sangat rumit dan sulit. (Boyacioglu & Avci, 2010). 1/3

  3. LatarBelakangMasalah Akurasi rendah yang dihasilkan oleh model tidak memenuhi harapan dan dapat melibatkan dirinya dalam kerugian. (Akbar & Werya, 2010). Prediksi pasar saham adalah kepentingan besar untuk diterapkan pedagang saham dan peneliti. (Binoy B., N. Mohana, & V. P., 2010) 2/3

  4. LatarBelakangMasalah Memperkirakan indeks saham pasar secaraakuratmemiliki implikasi yang mendalam dan signifikan bagipenelitidan praktisi. (Lin, Khan, & Huang, 2002). 3/3

  5. Research Questions Manakahfungsikeanggotaandenganprediksisaham yang paling efektifdaridelapanfungsikeanggotaan (trap, gbell, tri, gauss, gauss2, psig, dsig, dan pi) model Sugenountukmemprediksisaham LQ45 diIndonesian Stock Exchange (IDX)?

  6. TujuanPenelitian Tujuanpenelitianiniadalahuntukmencarifungsikeanggotaandengantingkatprediksisaham yang memilikiakurasitertinggidaridelapanmacamfungsikeanggotaan ANFIS model Sugenodenganmemprediksihargapenutupan (Close) sahamindeks LQ45 berdasarkanhargapembukaandanpenawaran.

  7. KerangkaPenelitian

  8. APPROACH - ANFIS 1. Mampumenanganisistem yang komplek, nonlinierdanberubahterhadapwaktumelaluialgoritmabelajarterhadap data numerikdarisistem. 2. Dapatdigunakanuntukmelakukanprosesperamalanbeberapa data time series bertipe random (indekssaham). (Fariza, Helen, & Rasyid, 2007)

  9. IMPLEMENTATION - Sugeno Output (konsekuen) sistemtidakberupahimpunan fuzzy, melainkanberupakonstantaataupersamaan linier.[1] Pertimbangankesederhanaandankemudahankomputasi.[2] [1] Kusumadewi,2004 [2]Priyandoko, 2005

  10. IMPLEMENTATION - Membership Functions (The Mathwork, 2010)

  11. IMPLEMENTATION - INDEX LQ45 Nilaikapitalisasipasardari 45 saham yang: • Paling likuid • Memilikinilaikapitalisasi yang besar. - SebagaipelengkapIndeksHargaSahamGabungan(IHSG) • Khususnyauntukmenyediakansarana yang obyektifdanterpercayabagianalisiskeuangan, manajerinvestasi, investor danpemerhatipasar modal lainnyadalammemonitorpergerakanhargadarisaham-saham yang aktifdiperdagangkan. (Maulina, 2007)

  12. SeleksiSaham

  13. Generated Data Variable (Open) Fungsipembangkitakanmengikuti format [1],[2],[3] w(t) = [x(t – t03) x(t-t02) x(t-t01) x(t)] Sehinggafungsipembangkitdengansatuvariabelinput (Open) formatnyaakanterlihatsebagaiberikut: a. Fungsipembangkitpertamayaitu : Data(t) = | x(t-3) x(t-2) x(t-l) x(t) x(t+l) | b. Fungsipembangkitkeduayaitu : Data(t) = | x(t-6) x(t-4) x(t-2) x(t) x(t+1) | c. Fungsipembangkitketigayaitu : Data(t) =| x(t-12) x(t-8) x(t-4) x(t) x(t+1) | [1] (Jang, 1993), [2](Liong, 2003) , [3](Kablan, 2009)

  14. Generated Data Variable(High –Low) Fungsipembangkitdenganduavariabelinput (High-Low) akanmengikuti format sebagaiberikut: a. Fungsipembangkitpertamayaitu : Data(t) = | x(t-l) x(t) x(t+l) | b. Fungsipembangkitkeduayaitu : Data(t) = | x(t-2) x(t) x(t+1) | c. Fungsipembangkitketigayaitu : Data(t) =| x(t-4) x(t) x(t+1) |

  15. Data Training & Checking Data sampling 5 April 2011 s/d 16 Juni 2011 Jumlah data = 50 Jumlah Epoch = 50

  16. FuzzifyInput • Berfungsiuntukpembentukanhimpunan Fuzzy untuksetiapmasukan.

  17. Fuzzy Operator Prosespembangkitanoperasifuzzy logic, hasilpadaprosesinimembentukpremismajemuk IF (Premis 1)(Premis 2)(Premis n) THEN Kosenkuen Dengan adalah operator (misal: OR atau AND), dalampenelitianini operator yang digunakanadalah operator AND 1/2

  18. Fuzzy Operator Jumlahaturan yang dibangkitkanuntukmatrikdarifuzzifyinput [x,y]. Jumlahaturanmengikutirumusmatematisxy, Jumlah operator untukfungsipembangkit: Satuvariabelinput (Open) = 34 = 81 Duavariabelinput (High-Low) = 3(2+2)= 81 2/2 dimana x adalahjumlahnilailiguistikdan y adalahjumlahvariabelmasukan.

  19. Implication Method Lapisanimplikasidimanaprosesmendapatkankeluaransebuah IF-THEN ruleberdasarkanderajatkebenaranpremis

  20. Makahasilimplikasinyaadalah: (x(t-3) is tetap) AND (x(t-2) is tetap) AND (x(t-1) is Tetap) AND (x(t) is tetap) THEN tetap (1)

  21. Aggregate Output Prosesagregasidarisetiapsimpul Aggregate Output

  22. Aggregate Output

  23. Defuzzify Lapisaninimemilikisatusimpultetap, yang fungsinyauntukmenjumlahkansemuamasukansehinggamenghasilkankeluaranberupasebuahnilaicrips. Defuzzy Weighted Average Pada metode ini, solusi crisp diperoleh dengan caramengambiltitikpusatdaerahfuzzy, dirumuskan dengan

  24. Defuzzify W1 = (22900 – 21950)/2 * 1 = 475 W2 = (24960 – 22900) * 1 = 2060 W3 = (26100 – 24960)/2 * 1 = 570 1 2 3

  25. Pengujian MAPE Digunakanuntukmengujiperbedaanantaramean satu sample dengan mean populasiatausuatuacuanlainnya(Santoso, 2011) t-test H0 : µ1 = µ2 kedua rata-rata populasiadalahsama (identik) Ha : µ1 ≠ µ2 kedua rata-rata populasiadalahtidaksama

  26. MEASUREMENT Semakin kecil MAPE yang dihasilkan dari sebuah metode paramalan maka semakin baik metode peramalan tersebut . (Santoso, 2011)

  27. MEASUREMENT (MAPE - AALI) FungsiPembangkit Data(t) =| x(t-12) x(t-8) x(t-4) x(t) x(t+1) |

  28. MEASUREMENT (MAPE - ANTM) FungsiPembangkit Data(t) = | x(t-l) x(t) x(t+l) |

  29. MEASUREMENT (MAPE - ASII) FungsiPembangkit Data(t) =| x(t-12) x(t-8) x(t-4) x(t) x(t+1) |

  30. MEASUREMENT (MAPE - BBCA) FungsiPembangkit Data(t) = | x(t-6) x(t-4) x(t-2) x(t) x(t+1) |

  31. MEASUREMENT (MAPE - ADHI) FungsiPembangkit Data(t) = | x(t-6) x(t-4) x(t-2) x(t) x(t+1) |

  32. Pengujian t-test Tahap 1 : Melakukan F-test untukmengujitingkatEquality of Variance Tahap 2 : Berdasarkanhasiltahap 1 akandigunakanuntukmenentukanjenis t-test yang akandigunakan; if P(F-test < α)then t-Test: Assuming Unequal Variances Else t-Test: Assuming Equal Variances. Standard statistical analysis technique (TexaSoft, 2008)

  33. PengujianF-Test (Two-Sample for Variances) Saham AALI P (0) > F Critical one tail (0,008864993)  t-Test: Two-Sample Assuming Equal Variances. Saham ANTM P (2,05x10-12) < F Critical one tail (0,622165467)  t-Test: Two-Sample Assuming Unequal Variances. Saham ASII P (0,000891) < nilai F Critical one tail (0,622165)  t-Test: Two-Sample Assuming Unequal Variances. Saham BBCA P (0,205952) < F Critical one tail (0,622165467)  t-Test: Two-Sample Assuming Unequal Variances. Saham ADHI P (0,000175533) < F Critical one tail (0,622165467)  t-Test: Two-Sample Assuming Unequal Variances.

  34. HasilPengujian t-test • AALI (Astra Agro Lestari Tbk.) Nilaiujistatistik t ekorgandaadalah 1,38 lebihkecildarinilaitabel 1,98 (1,984467404) dannilaiprobabilitas P=0,169 (0,169854042). • ANTM (Aneka Tambang Tbk.) Nilaiujistatistik t ekorgandaadalah 1.19 lebihkecildarinilaitabel 2,00 (2.000297804) dannilaiprobabilitas P=0,240 (0,240546849). • ASII (Astra InternasionalTbk.) Nilaiujistatistik t ekorgandaadalah 1,28 lebihkecildarinilaitabel 1,98(1,984467404) dannilaiprobabilitas P=0,2 (0,201146575). • BBCA (Bank Central Asia Tbk.) Nilaiujistatistik t ekorgandaadalah 1,79 lebihkecildarinilaitabel 1,98 (1,984467404) dannilaiprobabilitas P=0,075 (0.075561552). • ADHI (AdhiKarya (persero) Tbk.) Nilaiujistatistik t ekorgandaadalah 1,39 lebihkecildarinilaitabel 1,99 (1.990063) dannilaiprobabilitas P=0,169 (0,169854042).

  35. HasilPengujian t-test • AALI (Astra Agro Lestari Tbk.) Nilaiujistatistik t ekorgandaadalah 1,38 lebihkecildarinilaitabel 1,98 (1,984467404) dannilaiprobabilitas P=0,169 (0,169854042). • ANTM (Aneka Tambang Tbk.) Nilaiujistatistik t ekorgandaadalah 1.19 lebihkecildarinilaitabel 2,00 (2.000297804) dannilaiprobabilitas P=0,240 (0,240546849). • ASII (Astra InternasionalTbk.) Nilaiujistatistik t ekorgandaadalah 1,28 lebihkecildarinilaitabel 1,98(1,984467404) dannilaiprobabilitas P=0,2 (0,201146575). • BBCA (Bank Central Asia Tbk.) Nilaiujistatistik t ekorgandaadalah 1,79 lebihkecildarinilaitabel 1,98 (1,984467404) dannilaiprobabilitas P=0,075 (0.075561552). • ADHI (AdhiKarya (persero) Tbk.) Nilaiujistatistik t ekorgandaadalah 1,39 lebihkecildarinilaitabel 1,99 (1.990063) dannilaiprobabilitas P=0,169 (0,169854042). H0 DITERIMA µ1 = µ2 kedua rata-rata populasiadalahsama

  36. Prediksi

  37. Prediksi (lanjutan)

  38. ImplikasiPenelitian Nilaiprosentasi rata-rata MAPE kurangdari 0,2% AALI 0,19% untukfungsikeanggotaanDsig; ANTM 0,04% untukfungsikeanggotaanGauss; ASII 0,05% untukfungsikeanggotaanGauss; BBCA 0,04% untukfungsikeanggotaanGauss; ADHI 0,05% untukfungsikeanggotaanGauss. Nilaihasilujistatistikmenggunakan t-test menunjukkanpenerimaanhipotesis H0 dengantingkatkeakuratannyamencapai 95% ataudengankata lain tidakterdapatperbedaanantara rata-rata hargapenutupansahamdenganhasilpengecekanprediksisaham.

  39. Simpulan FungsikeanggotaanGaussmemilikitingkatakuratantinggi. dibuktikandengannilaiprosentasegalat yang rendahdanhargapenutupansaham(Close) dapatdiprediksiberdasarkanhargapembukaan(Open) dan/ataupenawaran (High-Low) dibuktikandenganujihomogenitas t-test yang menunjukkantingkatpenerimaanhipotesistidakterdapatperbedaanantara rata-rata hargapenutupansahamdenganhasilpengecekanprediksisahamsebesar95%.

  40. Saran • Perlumelakukanprosestraining dan checking kembalisetiapakanmelakukanprediksisehinggakehandalanprediksi yang digunakanakanlebihteruji. • Proses training danprediksiuntuksahamlainnyadapatmenggunakanfungsikeanggotaan Gauss.

  41. TerimaKasih

More Related