Prediksi Harga Saham menggunakan Support Vector Regression dan Firefly Algorithm

Transkripsi

1 Predks Harga Saham menggunakan Support Vector Regresson dan Frefly Algorthm Stock Market Prce Predcton usng Support Vector Regresson and Frefly Algorthm Alfredo 1, Jondr, Rta Rsmala 3 1,,3 Departemen Informatka, Unverstas Telkom Jalan Telekomunkas No. 1, Dayeuh Kolot, Bandung Abstrak Dalam duna nvestas, saham merupakan salah satu nstrumen pasar keuangan yang palng populer karena menjanjkan keuntungan yang lebh besar dar nstrumen konvensonal lan sepert deposto ataupun emas. Keuntungan tersebut ddapat dar dvden (keuntungan dar hasl pembagan laba perusahaan) maupun captal gan (keuntungan yang dperoleh dar kelebhan nla jual terhadap nla bel saham). Akan tetap harga suatu saham dapat berubah secara cepat dar waktu ke waktu dan para nvestor dharapkan untuk segera memutuskan kapan sebaknya saham djual atau tetap dpertahankan. Oleh karena tu dbutuhkan sstem yang dapat mempredks pergerakan harga saham tersebut untuk membantu para nvestor dalam melakukan analss dan tndakan yang tepat sehngga resko dapat dmnmalsr dan keuntungan dapat doptmalkan. Dalam Tugas Akhr n, akan dbangun sebuah sstem yang melakukan predks terhadap harga saham menggunakan analss teknkal yang dmplementaskan menggunakan Support Vector Regresson dan Frefly Algorthm. Support Vector Regresson (SVR) merupakan pengembangan dar metode support vector machne untuk kasus regres. Metode n mampu mengatas overfttng serta mampu menunjukkan performa yang bagus. Akan tetap terdapat kelemahan pada SVR dalam menentukan nla parameter yang palng optmal untuk dgunakan. Untuk mengatas kelemahan tersebut dgunakanlah algortma optmas Frefly Algorthm untuk mencar nla parameter SVR yang palng optmal. Database yang dgunakan pada Tugas Akhr n menggunakan data hstors pergerakan harga empat saham blue chp yang mengacu pada fnance.yahoo.com perode Hasl peneltan menunjukkan bahwa SVR dan FA dapat dmplementaskan sebaga metode untuk mempredks harga saham dengan error kurang dar 5%. Kata kunc: Predks harga saham, Tme Seres, Support Vector Regresson (SVR), Frefly Algorthm (FA). Abstract On the nvestng world, holdngs/stock s one of the most popular fnancal market nstruments because of t benefts to get better profts rather than other conventonal nstruments such as deposts or gold. The profts comes from dvdends ( profts from the dstrbuton of company profts ) and captal gans ( profts on the sale value of the excess value of shares).bascally n the stock market, the prce of a stock can change rapdly over tme and the nvestor must decde when the stock should be sold or retaned. Because of that we need a system that can gve predcton of the stock prce to help nvestors n takng the rght acton so that the rsk can be mnmalzed. In ths fnal project, a software wll be bult to predct stock prce movements usng techncal analyss whch mplemented usng Support Vector Regresson (SVR) and Frefly Algorthm (FA). SVR s a regresson method whch developed from Support Vector Machne and able to overcome the overfttng and demonstrate a good performance. However, SVR have weakness n determnng parameter value that fts for t. To overcome the weakness, Frefly Algorthm (FA) s used to determne the optmal value for SVR parameters. By usng the dataset from fnance.yahoo.com, whch s four bluechp stock prce from perod , ths fnal project gets a result that shows that SVR and FA algorthm can be appled n the stock prce predcton wth the error rate below 4%. Keywords: Stock market predcton, Support Vector Regresson (SVR), Frefly Algorthm (FA), fnancal tme seres.

2 1 PENDAHULUAN D era yang serba maju sekarang n, mencar uang sudah tdak terfokus lag dar pekerjaan yang dmlk oleh seseorang. Banyak hal yang dapat dlakukan untuk mencar tambahan uang selan dar pekerjaan tetap seseorang, salah satunya adalah nvestas. Investas dapat dlakukan dalam berbaga bentuk, salah satunya adalah nvestas dalam bentuk saham. Saham dkeluarkan oleh perusahaan untuk mendapatkan modal tambahan dengan cara menjualnya kepada nvestor. Investor membel saham dengan tujuan mendapat keuntungan dar devden (keuntungan dar pembagan laba perusahaan) ataupun captal gan (keuntungan dar kelebhan nla jual terhadap nla bel saham). D dalam duna nvestas, khusunya saham, peramalan/predks merupakan suatu hal yang pentng bag para nvestor, karena dalam setap transaks perdagangan saham nvestor dhadapkan pada plhan untuk membel atau menjual. Setap kesalahan dalam mengambl keputusan akan menmbulkan kerugan pada nvestor tu sendr. Oleh sebab tu dbutuhkan suatu sstem yang dapat menganalsa dan mempredks harga saham untuk menjad bahan pertmbangan bag para nvestor untuk mengambl keputusan yang tepat. Menurut teor effecent market hypothess, harga saham lampau telah merepresentaskan konds saat tu, serta banyak peneltan yang menggunakan data hstors karena lebh mudah dperoleh dan tdak serumt menggunakan data fundamental. Oleh karena tu pada tugas akhr n dbuat sebuah sstem untuk mempredks harga saham dengan menggunakan data hstors yang mengmplementaskan Support Vector Regresson dengan optmas algortma Frefly. SVR merupakan metode regres dar SVM (Support Vector Machne) yang basa dgunakan untuk mengatas overfttng dan memlk performans yang bak untuk kasus regres. Akan tetap, untuk mendapatkan performans yang bak dbutuhkan pula parameter yang tepat. Selan membutuhkan parameter yang tepat, penentuan ftur adalah salah satu hal yang pentng untuk melath SVR. Maka dar tu dbutuhkan suatu metode optmas untuk mencapa performa model SVR yang akurat. Frefly Algorthm merupakan salah satu metode yang dapat dgunakan untuk memberkan solus yang optmal untuk kasus optmas. Solus yang dhaslkan lebh bak darpada algortma optmas lannya sepert GA (Genetc Algorthm) dan PSO (Partcle Swarm Optmzaton) berdasarkan kasus Travellng Salesman Problem. Maka pada tugas akhr n akan dbuat sstem berdasarkan metode datas dan mengukur performansnya untuk kasus predks saham. LANDASAN TEORI.1 Peramalan Peramalan adalah proses memperkrakan sesuatu yang akan terjad d masa yang akan datang menggunakan nformas lampau dan saat n. Peramalan memberkan konds yang belum past tentang apa yang akan terjad, akan tetap basanya hasl dar peramalan dgunakan sebaga acuan agar kesalahan dapat dperkecl. Peramalan dbag menjad dua bagan yatu [8]: 1. Peramalan Kualtatf Peramalan kualtatf ddasarkan atas data kualtatf masa lalu. Peramalan n dgunakan jka data dar masa lalu dar varabel yang akan dpredks tdak ada. Hasl predks sangat bergantung pada orang yang menyusunnya karena hasl peramalan n dtentukan berdasarkan pemkran yang bersfat judgement atau opn, pengetahuan dan pengalaman dar penyusun.. Peramalan Kuanttatf Peramalan kuanttatf ddasarkan atas data kuanttatf masa lalu. Hasl peramalan sangat bergantung pada metode yang dgunakan dalam peramalan. Penggunaan metode yang berbeda akan menghaslkan hasl yang berbeda pula. Metode yang bak adalah metode yang memberkan nla perbedaan yang mungkn. Peramalan kuanttatf hanya dapat dgunakan apabla terdapat tga konds berkut: a) Adanya nformas tentang keadaan yang lan b) Informas tersebut dapat dkuantfkaskan dalam bentuk data numerc c) Dasumskan pola masa lalu akan berkelanjutan pada masa yang akan datang.. Tme Seres Predks secara tme seres merupakan peramalan yang dlakukan dengan menggunakan data tertentu yang dsebut data tme seres. Data tme seres adalah nla suatu varabel yang dsusun berdasarkan urutan/deret waktu bsa dalam satuan haran, mngguan, bulanan, atau tahunan tergantung keperluan terhadap perlaku data yang akan dobservas. Data tme seres yang dgunakan adalah data hstors yang dukur berdasarkan suatu pengamatan tertentu. Karena data yang dgunakan adalah data yang terukur, maka peramalan secara tme seres, termasuk ke dalam peramalan kuanttatf [8]. Metode predks tme seres beranggapan bahwa data atau kejadan masa lalu akan cenderung berulang dmasa yang akan datang [9]. Fokus predks secara tme seres adalah apa yang akan terjad, bukan mengapa hal tu terjad. Hal yang harus dperhatkan sebelum melakukan predks tme seres adalah : 1. Adanya ketergantungan masa depan dengan masa lampau.. Aktvtas masa yang akan datang mengkut pola masa lalu.

3 3. Hubungan keterkatan masa lalu dan masa kn dapat dtentukan melalu pengamatan. Gambar.1 Pola data tme seres Berkut empat pola data tme seres [9]: 1. Pola Data Konstan Pola data konstan terjad apabla data berfluktuas secara stabl. Pola data konstan berupa gars horzontal. Pola data konstan umumnya terdapat pada data yang memlk perode waktu jangka pendek atau menengah.. Pola Data Trend Pola data trend terjad apabla data cenderung menngkat atau menurun dar waktu ke waktu dalan jangka panjang. Pola n dsebabkan antara lan oleh bertambahnya populas, perubahan pendapat, dan pengaruh budaya. 3. Pola Data Musman Pola data musman terjad apabla data berfluktuas berulang-ulang secara teratur dalam setap perode tentu, msalnya tahunan, semesteran, kuartalan, bulanan atau mngguan. Pola n berhungan dengan faktor klm / cuaca atau faktor yang dbuat manusa sepert lburan. 4. Pola Data Sklus Pola data sklus terjad apabla data dpengaruh oleh fluktuas ekonom jangka panjang, sepert daur hdup bsns. Perbedaan utama antara pola data musman dan sklus adalah pola musman mempunya panjang gelombang yang tetap dan terjad pada jarak waktu tetap, sedangkan pola sklus memlk duras yang lebh panjang dan bervaras. 5. Pola Data Resdual atau Varas Acak Pola data resdu terjad apabla fluktuas data tdak teratur sama sekal. Data yang bersfat resdu tdak dapat dgambarkan..3 Support Vector Regresson SVR merupakan penerapan konsep Support Vector Machne (SVM) untuk kasus regres. Output berupa blangan rl atau kontnu dalam kasus regres. SVR merupakan metode yang dapat mengatas overfttng, sehngga akan menghaslkan knerja yang bagus. SVR dgunakan untuk menemukan suatu fungs f(x) yang mempunya devas ԑ palng besar dar nla aktual y, untuk semua data tranng. Jka nla ԑ = 0, maka kta dapatkan suatu regres yang sempurna (Santosa 007). Support Vector Machne (SVM) pertama kal dperkenalkan oleh Boser, Guyon, dan Vapnk pada tahun 199. Konsep dasar SVM merupakan kombnas dar teor-teor komputas yang telah ada, sepert margn hyperplane oleh Duda dan Hart pada tahun 1973, kernel yang dperkenalkan oleh Aronszajn pada tahun 1950, dan konsep pendukung lannya. Menurut Nugroho et al. (003), prnsp dasar SVM adalah lnear classfer, dan selanjutnya dkembangkan agar dapat bekerja pada masalah non-lnear, dengan memasukkan konsep kernel trck. Gambar -a memperlhatkan beberapa pola yang merupakan anggota dar dua buah kelas : +1 dan -1. Pola yang tergabung pada kelas -1 dsmbolkan dengan kotak, sedangkan pola pada kelas +1 dsmbolkan dengan lngkaran. Masalah klasfkas n dapat dselesakan dengan usaha menemukan gars (hyperplane) maksmum yang memsahkan antara kedua kelas tersebut (Nugroho et al. 003) (Gambar -b). Gambar. Hyperplane Msal terdapat fungs berkut sebaga gars regres: f ( x) w T ( x) b (.1) Dmana ( x) menunjukkan suatu ttk ddalam feature space F hasl pemetaan x d dalam nput space. Koefsen w dan b destmas dengan cara memnmalkan fungs resko (rsk functon) yang ddefnskan dalam persamaan: 1 1 mn (, ( )) w C L y f x 1 Subject to y w( x ) b w( x ) y b 1,,..., Dmana (.) L ( y, f ( x )) y f ( x ) y f ( x ) 0 (.3) Faktor w adalah reguralsas. Agar kapastas fungs dapat dkontrol maka fungs harus

4 dbuat setps mungkn dengan cara memnmalkan w Faktor kedua dalam fungs tujuan adalah kesalahan emprk (emprcal error) yang dukur dengan -nsenstve lossfuncton. Dengan menggunakan de -nsenstve lossfuncton norm dar w harus dmnmalkan agar mendapatkan generalsas yang bak untuk fungs regres f. Karena tu dperlukannya menyelesakan problem estmas berkut: 1 mn w (.4) Subject to y w( x ) b w( x ) y b 1,,..., e (yy) ˆ (y (b b x)) 0 1 Gambar.3 ɛ-nsenttve loss functon pada SVR Asumskan bahwa ada suatu fungs f yang dapat mengaproksmas semua ttk ( x, y ) dengan press. Dasumskan bahwa semua ttk ada dalam rentang f atau dsebut feasble. Sedangkan nfeasble merupakan konds dmana ada beberapa ttk yang keluar dar rentang f, ttk yang nfeasble n bsa dtambahkan varabel slack, untuk mengatas masalah pembatas yang tdak layak (nfeasble constran) dalam masalah optmas. Selanjutnya masalah optmas datas bsa dformulaskan sebaga berkut: 1 1 (.5) mn w C (, ) 1 Subject to T y w ( x ) b, 1,,..., T w ( x ) y b, 1,,...,, 0 Kostanta C menentukan tawar menawar (trade of) antara ketpsan fungs f dan batas atas devas lebh dar yang mash dtolerans. Semua devas lebh besar darpada akan dkenakan penalt sebesar C. Dalam SVR, ekuvalen dengan akuras dar aproksmas terhadap data tranng. nla yang kecl akan dkatkan dengan nla yang tngg pada varabel slack dan () akuras aproksmas yang tngg. Sebalknya, nla yang tngg untuk berkatan dengan nla yang kecl dan aproksmas yang rendah. Menurut persamaan (.5) nla yang tngg untuk varabel slack akan membuat kesalahan emprk mempunya pengaruh yang besar terhadap faktor regulas. Dalam SVR, support vector adalah data tranng yang terletak pada dan dluar batas f dar fungs keputusan, karena tu jumlah support vector menurun dengan naknya. Dalam formulas dual, problem SVR adalah sebaga berkut: 1 max ( )( j j )K( x, xj ) ( ) y ( ) Subject to () 1 j1 1 1 ( ) C, 1,,.., 0 C, 1,,.., 1 (.6) Dmana C ddefnskan oleh user, K( x, x ) adalah dot-product kernel yang j ddefnkan sebaga K( x1, x ) T j ( x ) ( xj). Dengan menggunakan lagrange multpler dan konds optmaltas, fungs regres secara eksplst drumuskan sebaga berkut: ( ) ( )K(, j ) 1 f x x x b (.7).4 Frefly Algorthm Algortma Kunang-kunang adalah sebuah algortma metaheurstk yang ternspras dar perlaku berkedp kunang-kunang untuk berkomunkas satu sama lan. Algortma n basanya dgunakan untuk kasus optmas karena jauh lebh sederhana bak dalam konsep maupun mplementas, serta mampu menghaslkan solus optmal bak dan benar. Algortma yang ternspras dar kunang-kunang n dbuat oleh Xn-She Yang pada tahun 008. FA memlk aturan sebaga berkut [10]: 1. Semua kunang-kunang adalah unsex yang berart setap kunang-kunang akan tertark satu sama lan.

5 . Tngkat daya tark (attractveness) kunangkunang proposonal dengan tngkat kecerahan atau tenstas cahaya (lght ntensty) yang dmlknya. Kunang-kunang yang memlk cahaya yang kurang terang akan tertark dan bergerak ke kunangkunang yang memlk cahaya lebh terang. Jka tdak ada kunang-kunang yang memlk cahaya yang lebh terang dar drnya, maka kunang-kunang akan bergerak secara random (acak). 3. Kecerahan atau ntenstas cahaya kunangkunang dtentukan oleh nla fungs objektf dar masalah yang dberkan. Untuk masalah maksmsas, ntenstas cahaya sebandng dengan nla fungs objektf. Parameter yang terdapat dalam algortma frefly adalah: 1. Intenstas cahaya (I) Intenstas cahaya menyatakan tngkat kecerahan dar kunang-kunang. Semakn cerah seekor kunang-kunang, maka dkatakan semakn bagus solus kunang-kunang tersebut. Intenstas cahaya proporsonal dengan fungs obejktf. Intenstas cahaya dalam kasus n adalah nla error masngmasng kunang-kunang.. Attractveness Daya tark yang dndkaskan dengan cerah tdaknya cahaya yang dhaslkan oleh kunangkunang. Besar keclnya daya tark bersfat relatf yang tergantung pada seberapa jauh kunangkunang. Dalam FA, fungs n merupakan fungs palng utama yang dapat drumuskan sebaga berkut: β(r) = β 0 e γr m dmana (m 1) (.7) 3. Jarak Semakn jauh jarak antar kunang-kunang, semakn redup cahaya dar kunang-kunang yang berkedp. Jarak antara dua kunang-kunang dan j pada x dan x j adalah jarak kartesan dengan rumus sebaga berkut: d r j = x x j = x,k x k=1,j (.8) 4. Movement Pergerakan kunang-kunang, kunang-kunang bergerak menuju kunang-kunang j yang lebh terang dengan rumus sebaga berkut: x = x + β 0 e γr m x x j + α rand 1 (.9).5 Pengukuran hasl predks Untuk mengetahu seberapa besar tngkat kesalahan / error pada tugas akhr n, dgunakan MAPE (Mean Absolute Percentage Error). MAPE merupakan ukuran akuras yang menunjukkan seberapa besar kesalahan predks dbandngkan dengan nla sebenarnya. Akuras dar MAPE dekspreskan dalam bentuk persentase. Semakn kecl nla MAPE yang dhaslkan maka semakn bak akuras peformans dar sstem predks yang dbangun. Berkut rumu perhtungan MAPE : MAPE = 1 n n y t y t t=1 x 100 (.10) dmana y t merupakan nla aktual dan y t merupakan nla hasl predks. y t 3. IMPLEMENTASI SISTEM Sstem n menggunakan data hstors 4 saham bluechp dengan rncan sebaga berkut: Adapun deskrps sstem secara gars besar dgambarkan pada flowchart pada gambar 3.1 Gambar 3.1 Flowchart sstem Pada proses tranng, sstem menggunakan FA untuk mendapatkan nla parameter optmal dar SVR. Nla palng optmal dambl dar frefly dengan nla ftness palng bak. Pada proses pengujan, nla optmal hasl keluaran dar FA djadkan sebaga nputan pada SVR dan duj untuk dketahu performansnya dalam melakukan predks nla closng dar ndeks saham yang dgunakan. MAPE dgunakan untuk

6 mengukur performans dar sstem predks yang telah dbangun. Skenaro 1 ( pengaruh Jumlah Populas) Parameter Populas Terbak Skenaro ( Pengaruh Jumlah Generas) populas dar skenaro 1 Paraneter Generas terbak Skenaro 3 (Pengaruh Alpha) generas dar skenaro Parameter Alpha Terbak Gambar 3. Proses FA Setelah ddapatkan hasl dar proses FA yang berupa parameter nla C dan epslon, dlakukan pelathan dan pengujan menggunakan SVR dengan flowchart sepert gambar 3.3 Skenaro 4 (Pengaruh Gamma) Alpha dar skenaro 3 Skenaro 5 (Pengaruh Delta) Gamma dar skenaro 4 Parameter Gamma D dapatkan Parameter terbak dar range yang telah d tentukan Gambar 4.1 Skenaro pengujan Sedangkan pada proses SVR, hanya dlakukan pengujan untuk mempredks harga saham dengan memaka nla output dar proses FA. 4.1 Analss parameter populas Gambar 3.4 Flowchart pelathan dan pengujan pada SVR 4 PENGUJIAN DAN ANALISIS Strateg pengujan menggunakan 5 skenaro untuk proses FA yang berkorelas satu dengan yang lannya sepert pada gambar dbawah n Suatu frefly pada Frefly Algorthm merepresentaskan suatu kanddat solus. Jumlah frefly merepresentaskan sekumpulan frefly yang terdapat dalam suatu waktu atau yang basa dkenal dengan stlah populas. Frefly Algorthm mempunya cara kerja yang parallel yang artnya pada setap generas, Frefly Algorthm akan membangktkan, menguj dan berusaha memperbak sekumpulan frefly tersebut sampa

7 dtemukan satu solus yang dapat dterma. Semakn banyak jumlah frefly atau ukuran populas yang dberkan, maka semakn banyak pula pada setap generas terjad proses evolus dar suatu frefly menjad frefly yang lebh bak. Semakn banyak sebuah frefly berevolus, hal n akan mengakbatkan tngkat error yang dmlk oleh frefly tersebut semakn kecl. Pada akhrnya, semakn besar jumlah frefly yang dtentukan maka semakn kecl pula hasl error yang akan ddapat. Namun, kerugannya jka jumlah frefly yang dberkan besar maka waktu selesa program akan semakn lama. Dalam konds terburuk, komputas yang terjad pada suatu generas pada Frefly Algorthm dapat sebanyak O(n ). Hal n menunjukkan dalam konds terburuk, lama waktu komputas yang dlakukan akan menngkat dengan tajam. Selan tu, pemberan jumlah frefly yang tdak tepat akan menyebabkan konds overft. Pada Tabel datas, jumlah frefly yang bak terdapat pada pengujan ke- dengan nla 0. Sepert yang telah dsnggung sebelumnya, bahwa semakn besar jumlah frefly maka semakn kecl pula error yang akan dcapa. Namun, perlu dperhatkan bahwa apakah solus suatu frefly yang ddapat merupakan solus yang bak untuk data lath maupun data uj. Pada observas kal n, ddapat kesmpulan bahwa penggunaan jumlah frefly sebanyak 0 akan menghaslkan solus yang memlk nla error yang lebh kecl jka dbandngkan dengan error frefly lan. mengakbatkan jarngan yang terbentuk akan menganggap setap data yang dmasukkan bersfat sama sehngga output yang dhaslkan untuk setap data akan sama. Dengan kata lan, jarngan yang mengalam konds overweght akan kehlangan kemampuannya dalam mengenal pola dar data yang dberkan. Jumlah generas/teras yang terlalu banyak, akan mengakbatkan jarngan mengalam konds overft. Konds overft mempunya art bahwa jarngan bersfat terlalu spesfk terhadap data pelathan. Akbat dar overft adalah ketka proses pengujan berlangsung, jarngan akan mengalam kegagalan dalam menghaslkan output yang sesua terhadap data pengujan dkarenakan jarngan kehlangan kemampuan generalsasnya. Oleh karena tu, dkatakan bahwa jarngan yang mengalam konds overft akan bagus dalam mengenal pola data pelathan namun buruk dalam mengenal pola dar data pengujan. Jumlah generas/teras yang tepat akan menentukan kemampuan akhr jarngan dalam melakukan memoralsas dan generalsas. Memoralsas adalah kemampuan jarngan dalam mengenal pola yang telah dlathkan sedangkan generalsas adalah kemampuan jarngan dalam mengenal pola yang belum pernah dlathkan. Pada Tabel datas, jumlah generas terbak terdapat pada pengujan ke-10 dengan jumlah generas sebanyak Analss parameter alpha 4. Analss parameter generas Jumlah generas/teras merepresentaskan lamanya proses pembelajaran yang dlakukan terhadap jarngan yang sedang dobservas. Jumlah generas/teras menentukan kapan proses pembelajaran dhentkan. Semakn besar nla jumlah generas/teras, maka semakn lama pula proses pembelajaran berlangsung. Begtu juga sebalknya. Jumlah generas/teras yang terlalu sedkt, mengakbatkan jarngan yang terbentuk bersfat terlalu general/umum. Artnya kemampuan jarngan dalam mengenal pola terlalu sedkt atau bahkan tdak ada sama sekal. Konds n dnamakan overweght. Overweght akan Konstanta alpha pada Frefly Algorthm berpengaruh pada pergerakan kunang-kunang atau movement. Nla alpha berguna untuk melakukan randomsas seberapa besar suatu kunang-kunang begerak. Konstanta alpha dapat dbaratkan sepert halnya learnng rate pada jarngan syaraf truan. Learnng rate dalam jarngan syaraf truan harus mempunya besaran yang tdak terlalu kecl ataupun tdak terlalu besar. Jka learnng rate bernla terlalu besar, proses pembelajaraan akan mengalam keadaan stagnan. Artnya fungs pembatas yang terbentuk tdak dapat memetakan data dengan bak. Hal n dkarenakan proses belajarnya yang terlalu cepat sehngga dakhr epoch, fungs pembatas tdak dapat melakukan pembelajaran lag yang mengakbatkan nla error dakhr epoch bernla besar. Jka nla learnng rate

8 terlalu kecl, error pada akhr epoch pun akan bernla besar. Hal n dkarenakan proses pembelajaran yang terlalu lambat sehngga dbutuhkan waktu yang lama untuk mencapa solus yang dharapkan. Bsanya jka nla learnng rate kecl, maka jumlah epoch harus bernla besar untuk mengmbang antara banyaknya pembelajran dengan lamanya pembelajaran. Pada Tabel datas, nla alpha yang terbak terdapat pada pengujan ke-1 yang bernla 0.1. Jka nla alpha bernla 1 maka kunang-kunang akan bergerak secara bebas dan tdak teratur. Namun, jka alpha 0.1, kunang-kunang akan bergerak secara bebas namun teratur. 4.4 Analss parameter gamma Konstanta gamma pada Frefly Algorthm memlk pengaruh pada nla attractveness. Besar keclnya nla gamma akan berpengaruh pada daya tark antar kunang-kunang yang pada akhrnya akan berpengaruh pada pergerakan kunang-kunang. Konstanta gamma sendr memlk defns sebaga koefsen absorbs cahaya. Pada dasarnya, dapat dkatakan bahwa udara dapat menyerap cahaya. Hal n dapat dlhat bahwa pada konds udara yang bak, cahaya akan terlhat. Akan tetap, saat konds udara berkabut, ntenstas cahaya akan berkurang sehngga cahaya akan terlhat semakn redup. Jka nla gamma bernla terlalu kecl bahkan sama dengan 0, maka yang terjad adalah nla attractveness mendekat atau bahkan sama dengan 1. Hal n berart dalam konds apapun suatu frefly akan tertark dengan frefly lannya tdak bergantung pada perbedaan jarak yang dmlknya. Selan tu, jka nla attractveness sama dengan 1, maka akan mengakbatkan nla suatu bobot akan bernla lebh dar atau mnmal 1. Padahal rentang nla bobot bernla (-1,1). Pada hasl analss tabel datas, nla konstanta gamma yang terbak terdapat pada pengujan ke-5 yang bernla Analss pengaruh konstanta m Konstanta m merupakan sebuah konstanta yang dpaka pada persamaan (.8). Konstanta n merepresentaskan pengaruh seberapa besar jarak terhadap nla attractveness. Attractveness merupakan daya tark yang dndkaskan dengan cerah tdaknya cahaya yang dhaslkan oleh kunang-kunang. Nla attractveness n akan berpengaruh pada penentuan movement pada persamaan (.9). Semakn besar nla konstanta m yang dtentukan, semakn kecl nla attractveness antara kunang-kunang yang satu dengan kunangkunang yang lan. Jka nla attractveness kecl, maka besarnya perpndahan atau nla movement akan semakn pula. Hal n mengakbatkan program akan memakan waktu yang lama untuk mencapa solus yang dngnkan. Jka nla attractveness besar, terdapat kemungknan bahwa program tdak akan konvergen atau dengan kata lan tdak dapat menemukan solus yang optmal. Pada Tabel datas, nla konstanta m yang bak adalah bernla 1 pada saat pengujan ke-10. Hal n dkarenakan penggunaan nla konstanta m bernla lan akan menurunkan secara drasts nla attractveness yang mengakbatkan program dalam jumlah generas/teras dan jumlah frefly yang sama, akan memlk solus yang lebh buruk darpada program dengan nla konstanta 1. Dar proses pengujan parameter FA datas, ddapat nla parameter terbak sebaga berkut: Jumlah Populas Jumlah Generas Alpha Gamma Konstanta m ,1 0,5 1 Nla parameter datas kemudan dnputkan kedalam FA dan mendapatkan parameter SVR dengan nla C sebesar 95,5116 dan epslon sebesar 0,0168.

9 4.6 Hasl uj coba dengan SVR Gambar 4. Hasl predks dengan data saham IBM haran Gambar 4.5 Hasl predks dengan data saham AMD haran Gambar 4.3 Hasl predks dengan data saham IBM mngguan Gambar 4.6 Hasl predks dengan data saham AMD mngguan Gambar 4.4 Hasl predks dengan data saham IBM bulanan Gambar 4.7 Hasl predks dengan data saham AMD bulanan

10 Gambar 4.8 Hasl predks dengan data saham NIKE haran Gambar 4.11 Hasl predks dengan data saham NVIDIA haran Gambar 4.9 Hasl predks dengan data saham NIKE mngguan Gambar 4.1 Hasl predks dengan data saham NVIDIA mngguan Gambar 4.10 Hasl predks dengan data saham NIKE bulanan Gambar 4.13 Hasl predks dengan data saham NVIDIA bulanan

11 5 KESIMPULAN DAN SARAN Setelah peneltan dan analss dlakukan secara mendalam, dapat dtark beberapa pon kesmpulan anatara lan : 1. Penggunaan metode Frefly Algorthm (FA) dan Support Vector Regresson (SVR) pada data saham menghaslkan sstem predks dengan akuras yang cukup bagus, dengan MAPE ratarata kurang dar 5%.. Kombnas terbak yang ddapat pada kasus kal n adalah kombnas dengan parameter jumlah generas/teras yatu 100, jumlah populas (frefly) yatu 0, nla konstanta m yatu 1, konstanta alpha yatu 0.1, dan nla konstanta gamma yatu 0.5 yang menghaslkan nla C sebesar 95,5116 dan epslon sebesar 0, Banyaknya Jumlah Gen mempengaruh performans FA dalam mencar solus optmal. Semakn banyak jumlah gen maka nla eror semakn membesar dan nla akuras akan menurun. Nla konstanta alpha, gamma, dan konstanta m sangat menentukan pergerakan kunang-kunang menuju kunang-kunang yang terbak Berkut n adalah beberapa saran yang dapat djadkan pedoman untuk melakukan pengambangan tugas akhr n, antara lan : 1. Jumlah dan nla varas kombnas parameter hendaknya dperbanyak untuk mengeskploras lebh dalam lag hasl yang ddapat.. Mencoba mencar nla parameter SVR dengan algortma optmas yang lan. 3. Mencoba menggunakan data lan sepert data curah hujan, harga lstrk,dll. 6. DAFTAR PUSTAKA [1] A.Kazem et al, Support Vector Regresson wth chaos-based frefly algorthm for stock market prce forecastng, Appled Soft Computng 13 (013) [] Huang, San-Chang,010, Chaos-based support vector regresson for exchange rate forecastng, Expert System wth Applcaton 37 (010) [3] Kavous-Fard, Abdollah, 014, A new hybrd Modfed Frefly Algorthm and Support Vector Regresson model for accurate Short Term Load Forecastng, Expert System wth Applcatons 41 (014) [4] Santosa,Bud, Tutoral Support Vector Machne. ITS,Surabaya [5] Sar, Dana Puspta,009, Analss performans Support Vector Regresson dalam mempredks bonus tahunan karyawan, J@t Undp vol 4. [6] Captal Market Educaton, 008, Pengertan Data Mnng, dakses tanggal 3 Maret 015. [7] Darmadj dan Fakhruddn,001. Pasar modal d Indonesa. Salemba Empat, Jakarta. [8] Herawat, S., (013), Peramalan Harga Saham Menggunakan Integras Emprcal Mode Decomposton dan Jarngan Syaraf Truan,JURNAL ILMIAH MIKROTE., 1, 3-8. [9] Dgensa,01, Analsa Tme Seres, nalsa-tme-seres/, dakses tanggal 15 Januar 015. [10] Xn-She Yang and Xngsh He, (013). Frefly Algorthm: Recent Advances and Applcatons, Int. J. Swarm Intellgence,Vol. 1, No. 1, pp [11] C. Sudheer, S. K. Sohan, D. Kumar et al., A support vector machne-fefly algorthm based forecastng model to determne malara transmsson, Neurocomputng, vol. 19, pp , 014. [1] L.J. Cao. Support Vector Machnes Experts for Tme Seres Forecastng. Neurocomputng 51 (003) [13] MO Yuan-bn et al, Optmal Choce of Parameters for Frefly Algorthm, 013 Fourth Internatonal Conference on Dgtal Manufacturng & Automaton. [14] Drucker, H., Burges, C., Smola, A., Kaufmann, L., & Vapnk, V. (1996). Support Vector Regresson Machnes. Advances n Neural Informaton Processng Systems, [15] Fur R.P.,014 Predks Fnancal Tme Seres Menggunakan Independent Component Analyss dan Support Vector Regresson, Bandung: Unverstas Telkom.