PERAMALAN MULTI ATRIBUT DENGAN MENGGUNAKAN FUZZY CLUSTERING (STUDI KASUS: STOCK PRICE)

Transkripsi

1 PERAMALAN MULTI ATRIBUT DENGAN MENGGUNAKAN FUZZY CLUSTERING (STUDI KASUS: STOCK PRICE ABSTRAK Sektor ekonoi erupakan salah satu sektor yang paling dekat dengan anusia, yang diana salah satu bentuk yang pada saat ini sedang digeari adalah pasar odal atau yang biasa disebut sebagai bursa saha. Bursa saha dapat dilakukan oleh individu aupun Institusi keuangan pada perusahaan yang sudah go public. Saha sendiri erupakan suatu asset yang udah untuk diperjual belan dibandingkan dengan aset konvensional seperti tabungan dll. Akan tetapi pergerakan nilai dari suatu saha adalah dinais yang diana dapat berubah sewaktu waktu. Investasi jangka seperti saha dapat dianalisa secara akurat dengan enggunakan analisa teknal dala proyek akhir ini. Dala sebuah perasalahan, dapat dianalisa pola dari suatu perasalahan tersebut terhadap faktor yang epengaruhinya dengan etode fuzzy. Perasalahan saha yang di bahas pada proyek akhir ini adalah sebuah perasalahan tie series yang diana dapat dianalisa dari variabel variabel yang yang disusun berdasarkan enguti urutan waktu. Hal ini sangat penting karena suatu data history erupakan faktor yang sangat penting apabila tidak eahai faktor faktor yang epengaruhi siste. Solusi yang diusahakan sudah berbagai aca ulai dari etode dan keakuratan yang beraga. Peraalan adalah sebuah proses yang digunakan untuk epelajari sutau perasalahan dala kondisi tertentu yang nantinya ebantu dalah hal pengabilan keputusan dengan alternatif teba. Pada dasarnya peraalan epunyai fungsi sebagai eperkirakan apa yang akan terjadi. M. ANDY FARISKA Dosen Pebibing : ARNA FARIZA, S.Ko, M. Ko NIP YULIANA SETYOWATI., S.Ko, M. Ko NIP Jurusan Tekn Inforata Politekn Elektrona Negeri Surabaya Institut Teknologi Sepuluh Nopeber, Surabaya E-ail: 1 vixionviper@gail.co Kata Kunci : Peraalan Tie Series, Fuzzy clustering, Fuzzy C-Means 1. Pendahuluan Sektor ekonoi erupakan salah satu sektor yang paling dekat dengan anusia, karena kehidupan anusia tak luput dari kegiatan kegiatan ekonoi seperti transaksi jual-beli. Salah satu bentuk yang pada saat ini trend dan digeari adalah pasar odal atau yang biasa disebut sebagai bursa saha. Saha sendiri erupakan suatu aset yang udah untuk diperjual belan dibandingkan dengan aset konvensional seperti tabungan, ruah, obligasi dll. Akan tetapi pergerakan nilai dari suatu saha adalah dinais dan tidak berbentuk linear sehingga diperlukan etode khusus untuk eodelkannya secara ateatis. Peraalan harga saha sangat beranfaat bagi para pelaku perdagangan saha, diana keuntungan dari perdagangan saha tersebut saa besar dengan reso kerugian yang diabil dala perdagangan saha tersebut. Maka dengan adanya peraalan harga saha yang akurat, diharapkan reso yang diabil oleh pelaku presentasinya akan berkurang. Peraalan secara tekn banyak digunakan dala proses pengabilan keputusan yang tidak lain adalah sebagai representasi dari nilai dari kondisi tertentu yang akan terjadi sehingga enjadi bahan pertibangan untuk proses pengabilan keputusan sehingga diharapkan alternatif terba akan didapatkan. Peraalan tie series erupakan odel peraalan dengan input enggunakan data-data historal yang telah ada, konkret dan epunyai dependensi atau epunyai relasi terhadap suatu objek yang diana dianggap dapat enggabarkan seluruh faktor faktor dari suatu objek tersebut dan 1

2 bisa engabaan faktor faktor lain, karena yang dilihat bukanlah hal yang epengaruhi fluktuasi data, sehingga pertibangan yang digunakan dala odel tie series ini adalah hubungan antar data data. Peraalan tie series juga banyak digunakan antara lain seperti peraalan cuaca, predsi penjualan suatu produk, data finansial dan lain lain. Metode yang digunakan dala tugas akhir ini adalah Fuzzy clustering karena etode ini dapat engkelaskan data-data yang abu-abu sehingga diharapkan hasil dari proses peraalan akan lebih akurat.. Data Clustering Data lustering adalah proses pengelopokan data dala kelas-kelas atau cluster-cluster sehingga data dala suatu cluster eili tingkat persaaan yang tinggi satu dengan lainnya tetapi sangat berbeda dengan data dala cluster lain [4]. Jadi, sebuah cluster erupakan kupulan data-data yang eili kesaaan diantara data-data itu sendiri dan ketidaksaaan pada data-data yang terdapat pada kelas lain. Kita dapat endeskripsan contoh sebuah data clustering dengan gabar di bawah ini Gabar.1. Data Custering dengan Hard Clustering.1 Fuzzy Clustering Fuzzy clustering erupakan pengelopokan data yang eili karakterist yang hapir saa secara ateat dala sebuah kelopok atau kelas. Pada fuzzy clustering, ebership function yang akan digunakan, diodelkan dari data-data yang telah ada. Proses pebentukan ebership function ini disebut odelling. Untuk eodelkan data yang non-linear, etode fuzzy clustering yang biasa digunakan adalah C-Means[1]..1.1 Algorita Fuzzy C-Means Fuzzy C-eans Clustering (FCM, atau denal juga sebagai Fuzzy ISODATA, erupakan salah satu etode clustering yang erupakan bagian dari etode Hard K- Means. FCM enggunakan odel pengelopokan fuzzy sehingga data dapat enjadi anggota dari seua kelas atau cluster terbentuk dengan derajat atau tingkat keanggotaan yang berbeda antara 0 hingga 1 [4]. Konsep dasar FCM pertaa kali adalah enentukan pusat cluster pada kondisi awal pusat cluster ini asih belu akurat. Setiap data eili derajat keanggotaan untuk tiap tiap cluster dengan cara eperbai pusat cluster dan nilai keanggotaan tiap data secara berulang, aka akan dapat dilihat bahwa pusat cluster akan bergerak enuju lokasi yang tepat. Perulangan ini didasarkan pada iniisasi fungsi obyektif. Algorita dari Fuzzy C-Means[]; 1. Input data yang akan di cluster X, berupa atrs berukuran n x (n=julah sapel data, =attribute setiap data.. Tentukan : o Julah cluster = c; o Pangkat = w; o Maksiu iterasi = MaxIter; o Error terkecil yang diharapkan= ε; o Fungsi obyektif awal = P0 = 0; o Iterasi awal = t =1; 3. Bangkitkan bilangan rando U, diana i=1,,3,,n; k=1,,.,c; sebagai eleen-eleen atrs partisi awal U k 1... k U i k = (1 i 1 i Hitung pusat cluster ke-k: V, dengan k=1,,.,c; dan j=1,,,. 5. Hitung fungsi obyektif pada iterasi ke t, P t : c P t ( X V ( j 1 k 1 j 1 (3 V n i ( n i 1 w * X ( w

3 6. Hitung perubahan atrs partisi, dengan : i=1,,..,n; dan k=1,, c.: c j 1 ( X k 1 j 1 ( X (4 7. Cek kondisi berhenti : Ja : ( P t -P t-1 < ε atau ( t > axiter aka berhenti; Ja tidak : t=t+1, ulangi langkah ke-4. V V 1 w 1 1 w 1. Least Square Error (LSE Setelah fuzzy ebership function terbentuk, langkah berutnya adalah proses defuzzifasi, karena fuzzy inference syste yang digunakan adalah tipe Takagi-Sugeno, proses defuzzifasi dapat dilakukan setelah paraeter Takagi-Sugeno θ detahui nilainya. Perhitungan nilai θ untuk MISO (Multi Input Single Ouput inference syste dilakukan dengan langkah-langkah berut [3]; Menghitung β. Nilai µ G didapat dengan easukkan input ke Gaussian Mebership Function (GMF yang bersesuaian. Menghitung ү Mebentuk atr XIe yang berisi kupulan konstanta 1 dan n-input XIe [ 1, x _ s, x _ s,... xn _ 1 s Paraeter θ dapat dinotasan dengan [θ]=([ү.xie] T.[ү.XIe] -1.[ү.XIe] T.[Y] 3. Arsitektur Siste Tujuan utaa dari pebuatan fuzzy clustering ini adalah eodelkan data tieseries saha yang non-linear ke odel fuzzy. Model fuzzy ini akan digunakan untuk elakukan forecasting data. ] Gabar 3.1 Arsitektur Siste 3.1 Input dan Output data Input data dan output data pada peraalan ini sebagai berut: Gabar 3. Input data saha Gabar 3.3 Output data saha 3. Ipleentasi Algorita FCM Yaitu berisi pebuatan progra Fuzzy C-eans sesuai algorita pada subbab

4 3.3 Pebentukan Gaussian Mebership Function Untuk setiap cluster dari hasil proses Fuzzy C-Means akan dibuat Gaussian Mebership Function-nya. Bentuk Gaussian Mebership Function dari atr U. Dari proses Fuzzy C-Means telah didapatkan center dari cluster V yang juga erupakan center daripada Gaussian Mebership Function. Ruus daripada fungsi GMF adalah sebagai berut : f ( x, siga, c e 0.5 xc siga 3.4 Proses Least Square Error (5 Proses ini enggunakan siste inference Takagi-Sugeno. Tahap-tahap LSE: 1. Bentuk atr Xie Matr Xie adalah atr yang berisi nilai 1 pada kolo pertaa dan berisi nilai input pada kolo hingga kolo atribut terakhir. Hitung degree of fulfilent (β Degree of fulfilent dihitung enggunakan product operator yaitu engalan setiap nilai degree of ebership dari nilai input terhadap Gaussian Mebership Function-nya 3. Noralisasi degree of fulfilent ( γ Setelah endapat nilai dari degree of fulfilent, hitung nilai noralisasi dari degree of fulfilent 4. Menghitung nilai Consequent paraeter Takagi-Sugeno ( θ Setelah nilai γ didapat aka nilai dariconsequent paraeter. 3.5 Forecasting Setelah consequent paraeter Takagi-Sugeno didapatkan, aka dapat dilakukan forecasting enggunakan siste fuzzy yang telah terbentuk. Proses ini sebenarnya hapir saa dengan proses LSE, hanya saja yang ebedakan adalah data yang digunakan. Ja pada proses LSE data yang digunakan adalah data training, sedangkan pada proses forecasting data yang digunakan adalah data test. Untuk elakukan forecasting dapat dilakukan dengan langkah sebagai berut: 1. Masukkan nilai input ke dala atr Xie. Hitung nilai β 3. Hitung nilai γ 4. Hitung atr [γ Xie] 5. Hitung output hasil forecast [ ý ] = [γ Xie ][ θ ] dengan enggunakan θ yang telah didapat dari perhitungan LSE 3.6 Validasi Setelah proses forecasting dilakukan aka proses berutnya adalah elihat error yang terjadi pada hasil forecast. Nilai error dapat dihitung dengan ruus sebagai berut : (6 4. Uji Coba dan Analisa Pada bab ini akan dibahas engenai uji coba dan analisa data tie series saha yang epuyai karakterist rando dan non stationer. Data saha erupakan data yang sulit untuk dipredsi karena pergerakan harga saha yang eang sulit untuk enentukan polanya. Kesepuluh data saha yang dipilih dala peraalan ini, yaitu: 1. Bui Resources Tbk (BUMI.JK. Astra International Tbk (ASII.JK 3. Telekounasi Indonesia (TLKM.JK 4. Indosat tbk PT (IIT 5. Bank International Indonesia Tbk (BNII.JK. 6. Bank Central Asia Tbk (BBCA 7. Bank Rakyat Indonesia Tbk (BBRI 8. Bank Mandiri Tbk (BMRI 9. Unilever Indonesia Tbk (UNVR 10. Indofood Sukses Makur Tbk (INDF. Dala proses analisa, data dari kesepuluh perusahan ini epunyai rentan waktu sapai tanggal 1 Januari 010. Untuk data BUMI epunyai 177, ASII epunyai 36 data, TLKM epunyai 188 data, IIT epunyai 510 data, BNII epunyai 151 data, BBCA epunyai 1410 data, BBRI epunyai 157 data, BMRI epunyai 161 data, UNVR 4

5 epunyai 1575 data dan INDF epunyai 335 data. Proses analisa ini bertujuan untuk engetahui optiasi dari etode Fuzzy C- Means. Dala proses ini akan diuji paraeter dari Fuzzy C-Means yaitu julah cluster, tingkat fuzziness dan julah data testing yang digunakan dala elakukan proses peraalan. Tabel 4.1 Hasil Peraalan Naa Perusahaan Tipe Data MSE BUMI.JK 1.83E-05 Trend ASII.JK 7.96E-04 Trend TLKM.JK Trend IIT 1.91E-04 Rando BNII.JK 7.4E-09 Rando BBCA.JK Trend BBRI.JK 3.1E-04 Trend BMRI.JK Rando UNVR.JK 3.71E-08 Rando INDF.JK 6.89E-05 Rando Dari tabel di atas, 4 dari 5 nilai MSE terkecil didapatkan dari tipe data berjenis Rando. Sehingga etode fuzzy C-Means ini sangat sesuai digunakan untuk tipe data rando. 5. Kesipulan Dari hasil uji coba engenai peraalan tie series harga saha enggunakan feed forward neural network dapat diabil beberapa esipulan, yaitu: Tiap-tiap data perusahaan epunyai tipe yang berbeda dan ebutuhkan nilai paraeter yang berbeda untuk enghasilkan error yang terkecil. Seakin banyak julah cluster tidak enjain seakin banya hasil peraalan. Tipe data training sangat berpengaruh terhadap akurasi hasil peraalan. Keapuan etode Fuzzy C- Means cukup ba dala elakukan peraalan untuk tipe data rando. DAFTAR PUSTAKA [1]. Chandra Lindawati, Fuzzy Clustering dengan Metode Gustafson-Kessel untuk Forecasting Data Electrical Load, Universitas Kristen Petra, 007. []. Irawan M. Isa, Satriyanto Edi, Virtual Pointer Untuk Identifasi Isyarat Tangan Sebagai Pengendali Gerakan Robot Secara Real-Tie, Bidang Ilu Koputer- jur. Mateata FMIPA - ITS, Politekn Elektrona Negeri Surabaya (PENS, Surabaya, 008. [3]. Pasila Felix, Gunawan Dhara, Ferdinando Hany, Evolutionary Algorith pada Fuzzy Clustering Systes Metode Gustafson-Kessel untuk Forecasting Electrical Load Data Tie-Series, Electrical Engineering Departent, Petra Christian University Surabaya, 008. [4]. Taufiq Luthfi Eha, Fuzzy C- Means Untuk Clustering Data (Studi Kasus : Data Perforance Mengajar Dosen, STMIK AMIKOM Yogyakarta, 007. [5]. Waya Lie Handra, Fuzzy Clustering C-Means Method for Electrical Load Tie-Series Data Forecasting, Petra Christian University,