BAB 2 LANDASAN TEORI

Transkripsi

1 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode Simple Evolving Connectionist System (SECoS) untuk memprediksi harga saham syariah di Indonesia. 2.1 Saham Syariah Saham syariah merupakan surat berharga yang merepresentasikan penyertaan modal kedalam suatu perusahaan yang tidak melanggar prinsip-prinsip syariah, seperti bidang perjudian, riba, produksi barang yang diharamkan seperti bir, dan lain-lain (Darmadji & Fakhruddin, 2006). Menurut syariah, kegiatan pembiayaan dan investasi keuangan pada prinsipnya adalah kegiatan yang dilakukan oleh investor terhadap emiten (pemilik usaha) untuk memberdayakan emiten dalam melakukan kegiatan usahanya investor berharap untuk memperoleh untuk manfaat tertentu. Oleh karena itu, kegiatan pembiayaan dan investasi tersebut adalah termasuk kegiatan dari investor secara pasif sehingga prinsip syariah pada kegiatan tersebut sama dengan pada kegiatan usaha yang lainnya yaitu prinsip kehalalan dan keadilan. Prinsip tersebut adalah sebagai berikut (Sutedi, 2011) : 1. Pembiayaan dan investasi hanya dapat dilakukan pada aset atau kegiatan usaha yang halal, dimana kegiatan usaha tersebut bermannfaat dan spesifik sehingga dapat dilakukan bagi hasil atas manfaat yang ada. 2. Pembiayaan dan investasi harus pada mata uang yang sama dengan pembukuan kegiatan usaha karena uang adalah alat bantu pertukaran nilai dan hasil yang diperoleh oleh investor. 3. Aqad yang terjadi antara pemilik harta (investor) dengan pemilik usaha (emiten), dan tindakan maupun informasi yang diberikan oleh emiten serta mekanisme pasar tidak boleh menimbulkan kondisi keraguan yang dapat menyebabkan kerugian.

2 6 4. Investor dan emiten tidak boleh mengambil resiko yang melebihi kemampuan yang dapat menimbulkan kerugian yang sebenarnya dapat dihindari. 5. Investor, emiten maupun bursa dan self regulating organization lainnya tidak boleh melakukan hal-hal yang menyebabkan gangguan yang disengaja atas mekanisme pasar, baik dari segi penawaran maupun dari segi permintaan. Dari penjelasan diatas dapat terlihat bahwa prinsip-prinsip syariah telah meliputi dari semua prinsip yang ada. Namun, prinsip-prinsip syariah juga memberikan penekanan (emphasis) pada (Sutedi, 2011): 1. Kehalalan produk atau jasa dari kegiatan usaha, karena menurut prinsip syariah manusia hanya boleh memperoleh keuntungan atau penambahan harta dari hal-hal yang baik. 2. Kegiatan usaha yang spesifik dengan manfaat yang jelas sehingga tidak ada keraguan akan hasil usaha yang akan menjadi objek dalam perhitungan keuntungan yang diperoleh. 3. Mekanisme bagi hasil yang baik dan adil dalam untung maupun rugi menurut penyertaan masing-masing pihak. 4. Penekanan pada mekanisme pasar yang wajar dan prinsip kehati-hatian baik pada emiten maupun investor. Instrumen yang diharamkan dalam pasar modal syariah sebagai berikut (Sutedi, 2011), yaitu : 1. Preferred Stock (saham istimewa) Saham istimewa adalah saham yang memberikan hak lebih besar daripada saham biasa dalam dividen pada waktu perseroan dilikuidasi.

3 7 2. Forward Contract Forward Contract merupakan bentuk jual beli hutang (debt to debt) yang didalamnya terdapat unsur riba, sedangkan transaksinya dilakukan sebelum tanggal jatuh tempo. 3. Option Option merupakan transaksi yang tidak disertai dengan underlying asset atau real asset, atau dengan kata lain objek yang ditransaksikan tidak dimiliki oleh penjual. Namun, transaksi option yang merupakan representasi dari nilai intangible asset, maka dianggap sebagai real asset dan dapat dibenarkan menurut syariah. 2.2 Analisis Harga Saham dan Resiko Investasi Analisis harga saham adalah suatu proses memprediksi harga suatu saham. Ada dua pendekatan dasar dalam menganalisis atau memilih saham yang tepat yaitu analisis fundamental dan analisis teknikal (Hani, 2014). Analisis fundamental merupakan salah satu cara untuk melakukan penilaian terhadap saham dengan mempelajari, atau mengamati berbagai indikator yang ada yaitu kondisi makro ekonomi dan kondisi industri suatu perusahaan termasuk berbagai indikator keuangan dan manajemen perusahaan. Oleh karena itu, analisis fundamental merupakan analisis berdasar pada berbagai data riil untuk mengevaluasi nilai suatu saham. Beberapa data atau indikator yang sering digunakan adalah margin laba (profit margin), pendapatan, pengembalian atas ekuitas (return on equity), laba, pertumbuhan penjualan, dan data-data keuanganlainnya sebagai sarana untuk menilai kinerja perusahaan dan potensi pertumbuhan perusahaan dimasa yang akan datang (Darmadji & Fakhruddin, 2006). Analisis teknikal digunakan untuk mencari pola harga saham yang berulang dan dapat diidentifikasi (Hani, 2014). Untuk mencari pola tersebut maka dibutuhkan grafik untuk membentuk suatu pola yang berulang. Pola inilah yang dimanfaatkan untuk memprediksi gerakan harga saham dimasa yang akan datang. Data yang digunakan untuk membuat grafik tersebut adalah data harga yaitu harga pembukaan, penutupan, tertinggi, dan terendah dan volume perdagangan saham. Dalam analisis teknikal, dikenal empat jenis grafik yang memiliki keistimewaan penggunaannya dan

4 8 indikator yang diberikan yaitu grafik baris (line chart), grafik bar (bar chart), candlestick chart, dan point and figure chart (Widoatmodjo, 2009). Baik analisis fundamental maupun analisis teknikal dapat dikombinasikan dengan menggunakan metode-metode lainnya seperti metode perataan bergerak (moving average) dan metode pemulusan eksponensial (exponential smoothing), algoritma genetik, metode hybrid, jaringan saraf tiruan, dan fuzzy agar menghasilkan prediksi harga saham yang lebih akurat dan tepat (Hani, 2014). Setiap keputusan investasi selalu menyangkut 2 hal yaitu resiko dan return. Resiko memiliki hubungan positif dengan return yang diharapkan dari investasi, sehingga jika return yang diharapkan besar maka resiko yang akan ditanggung oleh investor juga semakin besar dan begitu juga sebaliknya (Huda & Edwin, 2007). Dalam analisis tradisional, resiko total dari berbagai aset keuangan berasal dari interest rate risk, market risk, inflation risk, business risk, financial risk, liquidity risk, exchange rate risk, dan country risk. Berbeda dengan analisis tradisional, analisis investasi modern membagi resiko total menjadi 2 bagian yaitu resiko sistematik dan resiko tidak sistematik (Huda & Edwin, 2007). Resiko sistematik atau lebih populer dikenal dengan resiko pasar adalah resiko yang dampaknya dirasakan oleh seluruh instrumen investasi yang sangat berpengaruh terhadap pasar seperti inflasi, kenaikan suku bunga, resesi ekonomi, perpajakan, harga BBM, dan lain sebagainya. Sedangkan resiko tidak sistematik atau sering disebut resiko unik adalah resiko yang dampaknya hanya dirasakan oleh perusahaan tertentu, misalnya pemogokan kerja pada perusahaan tekstil maka dampaknya hanya akan berpengaruh terhadap harga saham perusahaanperusahaan tekstil lainnya (Widioatmodjo, 2009). 2.3 Peramalan (Forecasting) Peramalan adalah kegiatan mengestimasi apa yang akan terjadi dimasa yang akan datang. Metode peramalan merupakan cara untuk memperkirakan apa yang akan terjadi dimasa depan secara pragmatis dan sistematis dengan menggunakan data yang relevan pada masa lalu, sehingga dengan metode peramalan yang diharapkan dapat memberikan objektivitas yang besar (Sandino, 2013). Peramalan tersebut bertujuan untuk mengatasi ketidakpastian sehingga diperoleh suatu perkiraan yang mendekati keadaan sebenarnya (Rizki, 2014).

5 9 Berdasarkan sifatnya, peramalan dibagi menjadi dua jenis yaitu peramalan kualitatif dan permalan kuantitatif. Peramalan kualitatif adalah permalan yang berdasarkan pada pendapat suatu pihak atau hasil penelitian questioner yang telah dilakukan sebelumnya dan datanya tidak dapat direpresentasikan secara jelas kedalam angka atau nilai. Hasil peramalan yang dibuat sangat bergantung pada orang yang membuatnya, hal tersebut sangat menentukan hasil peramalan karena berdasarkan intuisi, pendapat, dan pengetahuan serta pengalaman penyusunnya. Peramalan kuantitatif adalah peramalan yang berdasarkan data kuantitatif dimasa lalu dan dapat dibuat dalam bentuk angka (Jumingan, 2009) Peramalan Data Runtun Waktu (Time Series) Model data time series adalah peramalan secara kuantitatif dengan menggunakan waktu sebagai dasar peramalan. Model time series dikenal dengan model kuantitatif intrinsik. Tujuan peramalan tersebut adalah menemukan pola dalam deret data historis dan menterjemahkan pola tersebut kedalam deret data ke pola data masa depan (Heizer & Render, 2005). Metode time series adalah metode yang digunakan untuk menganalisis data yang merupakan fungsi dari waktu (Ishak, 2010). Terdapat beberapa kecendrungan pada jenis pola data runtun waktu (Hartanto, 2012), yaitu sebagai berikut: 1. Pola Data Horizontal Pola data horizontal terjadi apabila nilai data berfluktuasi di sekitar nilai ratarata yang konstan. Deret tersebut seperti stationer terhadap nilai rata-ratanya. Y X Gambar 2.1 Pola Data Horizontal

6 10 2. Pola Data Musiman Pola ini terjadi jika suatu deret dipengaruhi oleh musiman (misalnya kuartal tahun tertentu, bulanan, mingguan, atau pada hari-hari tertentu). Y X Gambar 2.2 Pola Data Musiman 3. Pola Data Siklis Pola data siklis terjadi jika datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang yang berhubungan dengan siklus bisnis. Penjualan produk seperti mobil, baja, dan peralatan lainnya menunjukkan jenis pola data ini. Y X Gambar 2.3 Pola Data Siklis 4. Pola Data Tren Pola ini terjadi apabila terdapat kenaikan atau penurunan sekuler jangka panjang dalam data. Data penjualan suatu perusahaan, produk bruto nasional (GNP), dan berbagai indikator bisnis atau ekonomi lainnya mengikuti suatu pola data tren selama perubahannya sepanjang waktu.

7 11 Y X Gambar 2.4 Pola Data Tren 2.4 Evolving Connectionist System (ECoS) Beberapa metode dalam komputasi cerdas yang berhasil dikembangkan seperti jaringan saraf tiruan (JST), sistem fuzzy, evolutionary computation, hybrid system, adaptive machine learning, masih terdapat beberapa masalah ketika menerapkan metode tersebut pada perkembangan proses yang kompleks (Kasabov, 2007). Hal tersebut antara lain : 1. Sulit dalam menentukan arsitektur sistem. Komputasi cerdas biasanya memiliki model arsitektur yang tetap, seperti jumlah neuron dan koneksi yang tetap. Hal ini membuat sistem kesulitan dalam beradaptasi terhadap data yangbaru dengan distribusi yang tidak diketahui. Arsitektur yang tetap tentu akan mencegah JST akan mode proses pembelajaran yang terus-menerus. 2. Catastrophic forgetting yaitu memungkinkan suatu sistem untuk melupakan sebagian besar dari pengetahuan terdahulu ketika sedang melakukan pembelajaran terhadap data baru. 3. Banyaknya waktu pelatihan yang diperlukan. Pelatihan JST dalam batch mode biasanya memerlukan banyak iterasi dari propagasi data melalui strukturnya. Hal ini mungkin tidak bisa diterima untuk pembelajaran online yang membutuhkan proses adaptasi yang cepat. 4. Kurangnya fasilitas dalam merepresentasikan pengetahuan. Banyak arsitektur dari komputasi cerdas yang dapat mengambil beberapa parameter statistik selama pelatihan, akan tetapi hal tersebut tidak memfasilitasi ekstraksi dari aturan-aturan yang ada ke dalam bentuk informasi linguistik yang dapat dimengerti.

8 12 Dalam pengertian umum, sistem informasi seharusnya membantu dalam melakukan dan memahami dinamika proses yang dimodelkan, aturan-aturan dalam sistem yang otomatis terus berkembang, pengetahuan yang memperoleh esensi dari proses-proses tersebut, mempermudah dalam penyelesaian masalah yang kompleks, dan meningkatkan kinerja proses yang terus menerus berkembang sepanjang waktu. Kebutuhan akan hal-hal tersebut termasuk dalam bagian kecerdasan buatan yang mana disebut Evolving Intelligence System (EIS). Penekanan disini bukan pada pencapaian akhir dari kecerdasan buatan tersebut tapi untuk menciptakan sistem yang memiliki kemampuan belajar terus-menerus berdasarkan pengetahuan yang masuk dan terus berkembang, meningkatkan kinerja sistem, mengembangkan representasi pengetahuan pada masalah yang ditangani, dan menjadikan sistem lebih cerdas. EIS merupakan sebuah sistem informasi yang dapat mengembangkan struktur, fungsionalitas, dan pengetahuannya secara mandiri dengan terus-menerus, selforganized, adaptive, dan interaktif terhadap informasi yang masuk serta melakukan tugas-tugas cerdas yang dapat dilakukan manusia pada umumnya (Kasabov, 2007). Evolving Connectionist System (ECoS) adalah salah satu bentuk dari EIS. ECoS adalah sebuah metode pembelajaran yang adaptif, bertahap dan sistem representasi pengetahuan yang mengembangkan struktur dan fungsinya, dimana inti dari sistem tersebut adalah arsitektur connectionist yang terdiri dari neuron (unit pengolah informasi) dan hubungan antar-neuron. ECoS juga merupakan sistem komputasi cerdas yang berdasarkan neural networks, tetapi menggunakan teknik lain dari komputasi cerdas yang beroperasi secara terus-menerus dan mengadaptasikan struktur dan fungsinya melalui interaksi lanjutan terhadap lingkungan dan dengan sistem lainnya (Kasabov, 2007). Proses adaptasi tersebut dapat didefinisikan melalui : 1. Sekumpulan aturan yang diatur untuk dapat terus berkembang. 2. Satu set parameter yang dapat berubah selama sistem beroperasi. 3. Sebuah aliran input informasi yang datang secara terus menerus yang mungkin terjadi pada distribusi data yang tidak menentu. 4. Kriteria goal atau tujuan yang ditetapkan untuk mengoptimalkan kinerja sistem dari waktu ke waktu.

9 13 Hal diatas dapat dilihat pada gambar Gambar 2.5 Arsitektur ECoS (Kasabov, 2007) Sistem EIS, dan ECOS terdiri dari empat bagian utama yaitu sebagai beikut : 1. Data masukan 2. Preprocessing dan evaluasi fitur 3. Pemodelan 4. Pengetahuan masukan Gambar 2.6 Proses interaksi ECoS (Kasabov, 2007)

10 14 pada gambar diatas, mereka memproses berbagai jenis informasi yang berbeda-beda secara adaptif dan berkelanjutan, dan berkomunikasi dengan user secara cerdas yang menyediakan pengetahuan (rules). Data diperoleh dari sumber-sumber yang berbeda seperti DNA, brain signals, data ekonomi-sosial dan ekologis, dan sumber lainnya. Jika interaksi antara manusia dan sistem dapat diperoleh melalui cara ini maka hal tersebut dapat juga digunakan untuk memperluas interaksi antarsistem dengan baik Prinsip Umum ECoS ECoS adalah struktur multi-level, multi-modular, dimana banyak modul yang memiliki inter-connections, dan intra-connections. Evolving connectionist system tidak memiliki struktur multi-layer yang kosong. ECoS memiliki sebuah struktur modular terbuka (Watts and Kasabov, 2000). Fungsi ECoS berdasarkan pada prinsipprinsip umum berikut, yaitu : 1. ECoS belajar dengan cepat dari jumlah data yang besar melalui pembelajaran one-pass. 2. ECoS beradaptasi di online mode dimana data baru diakomodasi secara bertahap. 3. ECoS menghapalkan setiap data yang ada untuk perbaikan lebih lanjut atau untuk pencarian informasi. 4. ECoS belajar dan memperbaiki melalui interaksi yang aktif dengan sistemsistem yang lainnya dan di lingkungan multi-modular, mode hirarkis. 2.5 Simple Evolving Connectionist System (SECoS) Simple Evolving Connectionist System (SECoS), adalah implementasi minimalis dari prinsip ECoS. Metode simple evolving MLP disebut juga emlp (evolving Multi Layer Perceptron). SECoS terdiri dari tiga layer neuron. Layer pertama adalah input layer dengan linear atau fungsi transfer yang lain. Layer kedua, hidden layer adalah layer yang berkembang (evolving layer). Dan layer neuron yang ketiga adalah output layer. SECoS adalah versi sederhana dari Evolving Fuzzy Neural Network (EFuNN). Evolving layer adalah layer yang berkembang dan beradaptasi sendiri menuju incoming data, dan layer yang lebih difokuskan pembelajaran algoritma. Arti dari

11 15 incoming connections, aktivasi, dan algoritma propagasi maju dari seluruh evolving layer berbeda dari sistem connectionist classical (Kasabov, 2007). Gambar 2.7 Arsitektur SECoS (Kasabov, 2007) Jika fungsi aktivasi linear digunakan, maka aktivasi A pada lapisan evolving node n ditentukan dengan: Dimana A n merupakan nilai aktivasi pada node n dan D n merupakan nilai normalized distance antara input vector dengan incoming weight vector pada node tersebut. Nilai distance D n dapat dihitung dengan menggunakan normalized Hamming distance: Dimana K merupakan jumlah input nodes pada SECoS, I merupakan input vector, dan W merupakan input weight matrix pada evolving layer.

12 Algoritma Simple Evolving Connectionist System Berikut ini merupakan algoritma simple evolving connectionist system (Kasabov, 2007) : 1. Lakukan propagasi input vector I ke dalam jaringan. 2. Jika aktivasi maksimum (A max ) dari node lebih kecil dari koefisien sensitivity threshold (S thr ), maka: a. Tambah node baru else: a. Hitung nilai error antara hasil prediksi (output vector O c ) dan nilai aktual (output vector O d ). b. Jika nilai error lebih besar dari koefisien error threshold (E trh ) atau output node yang diinginkan tidak aktif, maka: Tambahkan node baru else: Lakukan perubahan bobot koneksi pada winning hidden node. 3. Ulangi langkah tersebut untuk setiap input vector. Ketika sebuah node ditambahkan, bobot input diberi inisialisasi sesuai dengan input vector I dan bobot output diinisialisasi sesuai dengan output vector O d. Proses propagasi dari hidden layer ke output layer dapat dilakukan dengan dua cara. Cara pertama dengan metode propagasi One-of-N yaitu propagasi hanya dilakukan oleh hidden node dengan nilai aktivasi tertinggi. Cara kedua dilakukan dengan metode propagasi Many-of-N yaitu propagasi hanya dilakukan oleh hidden node yang memiliki nilai aktivasi diatas activation threshold (Watt & Kasabov, 2000). Modifikasi bobot masuk pada winning node j dilakukan sesuai persamaan (2.3): WW ii,jj (tt + 1) = WW ii,jj (tt) + ηη 1 II ii WW ii,jj (tt) (2.3) dimana: WW ii,jj (tt) merupakan bobot masuk ii, jj pada saat (tt). WW ii,jj (tt + 1) merupakan bobot masuk ii, jj pada saat (tt + 1).

13 17 ηη 1 merupakanlearning rate 1. II ii merupakan komponen ke-i pada input vector I. Sedangkan modifikasi bobot keluar dari node j dilakukan sesuai persamaan (2.4): WW jj,pp (tt + 1) = WW jj,pp (tt) + ηη 2 AA jj EE pp (2.4) dimana: WW jj,pp (tt) merupakan bobot keluar jj, pp pada saat (tt) WW jj,pp (tt + 1) merupakan bobot masuk jj, pp pada saat (tt + 1) ηη 2 merupakan learning rate 2 AA jj merupakan nilai aktivasi dari node 2.6 Penelitian Terdahulu Adapun beberapa penelitian terdahulu yang berkaitan dengan topik ini dapat dilihat pada Tabel 2.1. Tabel 2.1 Penelitian Sebelumnya No Judul Pengarang Tahun Kelebihan Kekurangan 1. Simple Watts & 2000 Hasil dari penelitian n/a Evolving Kasabov tersebut adalah Connectionist perbandingan SECoS Systems and dengan MLPs yang dilatih Experiments dengan Bootstrapped On Isolated Backpropagation Phoneme menunjukkan bahwa Recognition ketika jumlah node SECoS lebih besar dari MLPs, mereka lebih adaptif, mampu mempertahankan kemampuan diskriminatif mereka bahkan setelah pelatihan lebih lanjut pada contoh yang baru.

14 18 Tabel 2.1 Penelitian Sebelumnya (Lanjutan) No Judul Pengarang Tahun Kelebihan Kekurangan 2. Adaptive Ghobakhlou 2003 Percobaan dilakukan n/a Speech et al dengan SECoS untuk Recognition with Evolving pengenalan kata untuk mengetahui kinerja dari Connectionist algoritma pembelajaran System lokal SECoS. Hasilnya menunjukkan bahwa SECoS mampu mempelajari data dari pembicara baru dan menambah kelas output yang baru. SECoS juga mampu mempertahankan pengetahuan yang dipelajari sebelumnya setelah adaptasi pembicara yang baru dan seetelah mempelajari kelas-kelas yang baru. 3. Comparison of a Self Organising Map and Simple Evolving Connectionist System for Predicting Insect Pest Establishment Watts Worner & 2006 Kinerja rata-rata SECos atas pembelajaran data set dengan MSE dengan standar deviasi 4.2 x Kedua model menghasilkan daftar peringkat spesies dan keduanya memberikan kumpulan cluster yang sama pada peringkat tertinggi. Kedua metode yang digunakan untuk penilaian resiko hama memiliki nilai karena setiap metode tersebut menegaskan output dari penambahan weight lainnya untuk penilaian secara keseluruhan untuk spesies tertentu. n/a

15 19 Tabel 2.1 Penelitian Sebelumnya (Lanjutan) No Judul Pengarang Tahun Kelebihan Kekurangan 4. Prediksi Harga Setiawan 2008 Konfigurasi parameter n/a Saham untuk pelatihan sistem Menggunakan prediksi menggunakan Jaringan Syaraf Jaringan Syaraf Tiruan Tiruan terbaik yang diperoleh dari Multilayer hasil percobaan Feedforward Network Dengan menghasilkan konfigurasi jumlah hidden node 50, nilai learning rate 0.95, Algoritma batas tahun pelatihan Backpropaga- adalah tahun 1998, nilai tion momentum 0.95 dan toleransi MAPE 3.97%. 5. Prediksi Harga Saham Syariah menggunakan Metode Adaptive Neuro Fuzzy Inference System (ANFIS) Hani 2014 Pada penelitian ini, data saham syariah yang digunakan adalah data Jakarta Islamic Index (JII) dari tanggal 1 Januari 2004 s.d. 31 Desember 2012 yang diperoleh dari com/bei/. Dari hasil pengujian tersebut diperoleh parameter laju penbelajaran 0.6, momentum 0.1, max epoch 400 dan kriteria penghentian mendapatkan hasil error rata-rata sebesar %. n/a