IMPLEMENTASI METODE GENE EXPRESSION PROGRAMMING DALAM MODEL PREDIKSI HARGA SAHAM

1. IMPLEMENTASI METODE GENE EXPRESSION PROGRAMMING DALAM MODEL PREDIKSI HARGA SAHAM DISUSUN OLEH: Meiga Restianti 50406463 Pembimbing: DR Raden Supriyanto, MSc.

2. LatarBelakang • Gene Expression Programming (GEP) adalahsuatumetode yang baru-baruinidikenalkansebagaisalahsatuteknikkomputasievolusioner. • Metode GEP merupakanketurunandariGenetic Programming. Di GEP, setiapindividudidefinisikansebagaistring yang memilikipanjang yang sama, namunsetelahdilakukanprosesekspresitiapindividu (kromosom) memilikipanjang yang berbeda. • Analisis data pada time series padadasarnyadigunakanuntukmelakukananalisis data yang mempertimbangkanpengaruhwaktu. Data-data yang digunakansecaraperiodikberdasarkanurutanwaktu.

3. LatarBelakang(Lanjutan) • Padaanalisis time series dapatmelakukanperamalan data beberapaperiodekedepan yang sangatmembantudalammenyusunperencanaankedepan. • Para ahliekonomi, menggunakananalisis time series inisebagaialat bantu perencanaandayajangkapendekmaupunjangkapanjang.

4. BatasanMasalah • Menggunakan 1 metode dalam penyelesaian masalah, yaitu metode Gene Expression Programming • Untuk pencarian Solusi menggunakan 2 variable dependent (variable bebas) dan 1 variable independent (variable tak bebas). • Variable Dependent = harga saham tertinggi dan terendah • Variable Independent = Harga penutupan saham • Untuk dapat memprediksi beberapa hari kedepan dibutuhkan 2 variable dependent sebagai acuannya.

5. TujuanPenulisan • Membangun sebuah aplikasi yang digunakan untuk membuat sebuah solusi/model matematika terhadap data time series (Harga Saham) dan melakukan prediksi beberapa hari kedepan dengan acuan solusi yang diberikan dengan menggunakan metode Gene Expression Programming. • Diharapkan aplikasi yang dibagun berguna untuk menganalisa data time series dan dapat membantu menyusun rencana dikemudian hari.

6. MetedologiPenulisan • Mengumpulkan berbagai refrensi dan jurnal yang berkaitan dengan masalah yang terkait. • Membuat Prototype dari aplikasi yang akan dibuat, dan melakukan perancangan sistem berupa usecase diagram dan activity diagram • Mengimplementasikan aplikasi yang telah dibuat, dan memberikan langkah-langkah untuk pengopersian aplikasi • Melakukan ujicoba terhadap data saham harian dan mingguan pada 3 perusahan (ISAT, BTEL,TLKM)

7. SistematikaPenulisan • BAB 1 (Pendahuluan) : berisi uraian masalah terkait permasalahan yang akan dibahas pada penelitian ini secara umum • BAB 2 (Kajian Pustaka) : berisi teori-teori penunjang seputar metode gene expression programming yang digunakan untuk membangun aplikasi • BAB 3 (Pembahasan Masalah) : berisi perancangan terhadap aplikasi yang dibuat, diantaranya perancangan interface, dan perancangan sistem (Use Case Diagram & Activity Diagram)

8. SistematikaPenulisan (Lanjutan) • BAB 4 (Implementasi dan analisis) : berisi proses implementasi, ujicoba, dan analisis aplikasi yang sudah dibuat. • BAB 5 (Penutup) : Berisi kesimpulan terhadap aplikasi yang dibangun. Dan saran penulis yang ditujukan kepada semua pihak yang tertarik pada penelitan ini.

9. Diagram Alur Gene Expression Programming Create Chromosome of Initial Population Express Chromosome Execute Each Program Evaluate Fitness Iterate or Terminate End Keep Best Program Select Program Replication Mutation IS Transposition RIS Transposition Gene Transposition 1-point Recombination 2-point Recombination Gene Recombination Prepare New Program of Next Generation

10. Konsepdasar Time Series Gene Expression Programming Training Stage Learning Stage Gene Expression Programming Regresi Sederhana Predict Event Testing Time Series

11. PerancanganSistem a. Use Case Diagram

12. PerancanganSistem b. Activity Diagram

13. Perancangan Interface 1 2 3 4 grafik Setting Parameter GEP data Prediction Time Series Gene Expression Programing Iteration Population Size Head Length Start About Max Arg Load MNSE CV R Solusi Matematika Prediksi Error a. Rancangan Form Utama

14. Cara Pengujian a. Tampilan Awal Form Utama

15. Cara Pengujian b. Tampilan Program Membaca Data

16. Cara Pengujian c. Tampilan Program Menseleksi Kromosom terbaik

17. Cara Pengujian d. Tampilan Program Menghasilkan Solusi dan Prediksi

18. Parameter Gene Expression Programming

19. Pengujian Data

20. SolusiMatematika a = harga saham tertinggi b = harga saham terendah

21. HasilPengujian Data (ISAT) Grafik Harga Saham ISAT

22. HasilPengujian Data (BTEL) Grafik Harga Saham BTEL

23. HasilPengujian Data (TLKM) Grafik Harga Saham TLKM

24. HasilPengujian Data Gabungan (Harian) Grafik Harga Saham Gabungan (Harian)

25. HasilPengujian Data Gabungan (Mingguan) Grafik Harga Saham Gabungan (Mingguan)

26. Analisa Perhitungan

27. Analisa Perhitungan (Lanjutan) SahamTLKM Saham ISAT Saham BTEL

28. HasilAnalisa • Semakin banyak data dan semakin tinggi nilai iterasi yang diujikan maka semakin banyak waktu yang dibutuhkan untuk memprosesnya. • Solusi yang dihasilkan pada aplikasi ini masih sederhana. Hal ini dikarenakan operator yang digunakan untuk membentuk solusi masih menggunakan operator-operator dasar. Maka nilai error yang dihasilkan masih tinggi.

29. HasilAnalisa (lanjutan) • Nilai NMSE, CV dan R yang dihasilkanpadamasing-masingnilaisaham, dipengaruhiolehsolusimatematika yang dihasilkanpadapencariankromosomterbaik • Data hariancenderungmemilikinilai NMSE lebihkecil, halinidikarenakanpada data harianmemilikikerapatan data yang lebihkecildibandingkandengan data mingguan.

30. HasilAnalisa (lanjutan) • Dari hasilevaluasi CV, menunjukan rata-rata nilaivariasi yang cenderungrendah, halinidikarenakansolusi yang dihasilkantidakterlalukompleks. Sehinggadibutuhkan operator-operator tambahanuntuk data saham yang cenderungfluktuatif. • Padatingkatkorelasiantara data aslidengan model yang dibentuk, memilkitingkatkorelasi yang cukuptinggikarenahampirseluruhnilaimendekati 1.

31. Kesimpulan • Dalammenentukannilaiprediksisuatu data time series dapatdilakukandenganmenggunakanbeberapametode. Untukkasusini, penulismencobamenggunakanmetodeGene Expression Programming (GEP). • Padatahapujicoba, data yang digunakanadalah data sahamhariandanmingguanpada 3 perusahaan, yaitusaham ISAT, BTEL dan TLKM. • Metode gene expression programming inimenghasilkansebuahsolusimatematika yang akandijadikansebuah model untukmemprediksi data yang diuji.

32. Kesimpulan (lanjutan) • Untuk tingkat akurasi prediksinya, bergantung pada nilai data yang diujikan. • Solusi yang dihasilkan pada setiap ujicoba akan berbeda-beda, karena dipengaruhi oleh faktor random saat pembentukan kromosom awal. • Solusi yang dihasilkan belum terlalu optimal karena pada aplikasi ini hanya melibatkan operator-operator matematika yang dasar. • Pada ujicoba dapat dilihat bahwa semakin banyak data yang diuji oleh metode gene expression programming ini, maka semakin kecil pula kesalahan untuk membuat solusi dan model datanya.