Jural Pilar Nusa Madiri Vol.XII, No. Sptmbr 06 6 MODEL PREDIKSI HARGA SAHAM MEDIA SOSIAL BERDASARKAN ALGORITMA SVM YANG DIOPTIMASIKAN DENGAN PSO Eka Puspita Sari Program Studi Maajm Iformatika AMIK BSI Jakarta Jl. Kramat Raya No.8, Jakarta Pusat ka.ps@bsi.ac.id Abstact - Stock is a uit of valu or books i a varity of fiacial istrumts that spur o th owrship of a compay. By issuig shars allow compais who rquir log-trm fiacig to sll busiss itrsts i shars i xchag (quity scuritis) for cash. This is th primary mthod for busisss to rais capital othr tha issuig bods. Shars sold through th primary markt or scodary markt. This study aims to dmostrat th applicatio of optimizatio Particl Swarm Optimizatio (PSO) o Support Vctor Machi (SVM) ca provid bttr accuracy tha just usig Support Vctor Machi (SVM) algorithm i prdictig stock prics. Aftr th tst is do by usig two modl of SVM algorithm da prviously discovrd SVMPSO aftr optimizatio paramtrs o SVM, th from xprimts show that th krl givs th rsult is a DOT to giv a accuracy of 9.8% for traiig, 9.6% for tstig compard with th rsults obtaid from th RBF krl for 9.% for traiig ad 90.5% for tstig ad Polyomial krl for 58.6% for traiig ad 7.% for tstig. Itisari - Saham adalah satua ilai atau pmbukua dalam brbagai istrum fiacial yag mgacu pada bagia kpmilika sbuah prusahaa. Dga mrbitka saham, mmugkika prusahaa-prusahaa yag mmbutuhka pdaaa jagka pajag utuk mjual kptiga dalam bisis saham (fk kuitas) dga imbala uag tuai. Ii adalah mtod utama utuk migkatka modal bisis slai mrbitka obligasi. Saham dijual mlalui pasar primr (primary markt) atau pasar skudr (scodary markt). Plitia ii brtujua utuk mmbuktika prapa optimasi Particl Swarm Optimizatio (PSO) pada Support Vctor Machi (SVM) dapat mmbrika kakurasia yag lbih baik dari pada haya mgguaka algoritma SVM dalam mmprdiksi harga saham. Stlah dilakuka pgujia dga mgguaka dua modl yaitu algoritma SVM da SVMPSO stlah sblumya ditmuka paramtr-paramtr optimasi pada SVM, maka dari ksprim yag dilakuka trlihat bahwa krl yag mmbrika hasil trbaik adalah DOT dga mmbrika ilai akurasi sbsar 9.8% utuk traiig, 9.6% utuk tstig dibadigka dga hasil yag diprolh dari krl RBF sbsar 9.% utuk traiig da 90.5% utuk tstig da krl Polyomial sbsar 58.6% utuk traiig da 7.% utuk tstig. Kata kuci: Harga Saham, Optimasi Paramtr, Particl Swarm Optimizatio, Support Vctor Machis. PENDAHULUAN Saham adalah satua ilai atau pmbukua dalam brbagai istrum fiacial yag mgacu pada bagia kpmilika sbuah prusahaa. Dga mrbitka saham, mmugkika prusahaa-prusahaa yag mmbutuhka pdaaa jagka pajag utuk mjual kptiga dalam bisis saham (fk kuitas) dga imbala uag tuai. Ii adalah mtod utama utuk migkatka modal bisis slai mrbitka obligasi. Saham dijual mlalui pasar primr (primary markt) atau pasar skudr (scodary markt). Ivstasi saham mjadi piliha ivstasi yag dimiati dwasa ii dikaraka dapat mmbrika kutuga bsar da cpat. Ttapi bayak faktor ktidakpastia dalam ivstasi saham yag mybabka krugia dalam brivstasi. Data harga saham prusahaa mrupaka hal yag palig marik prhatia bagi ivstor. Dga mgtahui harga saham, ivstor dapat mgambil kputusa utuk mmbli saham suatu prusahaa atau mjual saham milikya. Aka ttapi, harga saham brsifat fluktuatif atau brubah-ubah dikaraka faktor-faktor trttu. SVM tlah diguaka scara luas utuk pramala harga saham srta mujuka prforma yag lbih baik dari pada algoritma laiya trmasuk ANN, dimaa ANN sudah trlbih dahulu bayak diguaka utuk pross pramala trmasuk sbagai altratif yag mjajika utuk mmprdiksi harga saham, dimaa ANN mmuka solusi brupa lokal optimal sdagka SVM mmuka solusi yag global optimal (Satosa, 007), srta hasil yag ISSN 978 96 Modl Prdiksi Saham
6 Jural Pilar Nusa Madiri Vol.XII, No. Sptmbr 06 dibrika olh ANN aka slalu brbda-bda stiap kali kita mlakuka traiig, dikaraka utuk pross traiig pada ANN brjala dga mgorksi ilai wights scara brulag(satosa, 007) brbda dga SVM yag aka mmbrika hasil yag slalu sama, da juga SVM tidak trgatug pada dimsi ruag iput yag mmbuat SVM flksibl dalam pmiliha paramtr (Prmaod, Toumazou, 0), yaitu paramtr krl da juga paramtr C, brbda dga ANN, bayak hal yag prlu di atur ilai paramtrya sprti jumlah hidd layr, uro utuk hidd layr, mtod utuk traiig, da lai lai (Satosa, 007) da juga SVM cocok utuk magai data st yag bsar da komplks sprtiya halya prdiksi harga saham. Di dalam SVM, pmiliha paramtr C, σ, ε mmbrika dampak yag sagat bsar bagi prformac SVM(Wi Fi, Bi Miao, Liag Liu, 009). Brdasarka latar blakag yag tlah diuraika trdapat prmasalaha yag trjadi, prdiksi harga saham adalah hal yag ptig da sagat marik kara kbrhasila prdiksi harga saham dapat mjajika kutuga bagi para ivstor. Prgraka harga saham yag brsifat fluktuatif atau brubah-ubah, shigga diprluka mtod pramala yag bisa mmbatu ivstor dalam mgambil kputusa mmbli atau mjual saham. BAHAN DAN METODE Data miig srig juga disbut Kowldg Discovry i Databas(KDD), adalah kgiata yag mliputi pgumpula, pmakaia data historis utuk mmuka ktratura, pola atau hubuga dalam st data brukura bsar (Satosa 007), yag disimpa di dalam rpositori, mgguaka tkologi pgala pola da juga tkik statistik da matmatika (Laros, 005). Fugsi-fugsi yag trdapat dalam data miig adalah (Laros, 005) : Fugsi dskripsi (Dscriptio), Fugsi stimasi (Estimatio), Fugsi prdiksi (Prdictio), Fugsi klasifikasi (Classificatio), Fugsi pglompoka (Clustrig), Fugsi asosiasi (Associato). Pada Cofrc o Larig Thory(COLT), Bosr, Brhard, Guyo, da Vapik tahu 99, mmprkalka SVM (Prmaod, Tzoumazou 0) yaitu sbuah tkik suprvisd larig dari bidag machi larig yag dapat di aplikasika kdalam clasifikasi da rgrsi(swll, Taylor 0). SVM mrupaka salah satu tkik yag rlatif baru utuk mlakuka prdiksi, SVM brada dalam satu klas dga ANN dalam hal fugsi da kodisi prmasalaha yag bisa di slsaika(satosa, 007). Yag mjadi karaktristik dari Support Vctor Machi (SVM) adalah sbagai brikut:. Scara prisip SVM adalah liar classifir.. Pattr rcogitio dilakuka dga mtrasformasika data pada iput spac k ruag yag brdimsi lbih tiggi, da optimisasi dilakuka pada ruag vctor yag baru trsbut. Hal ii mmbdaka SVM dari solusi pattr rcogitio pada umumya, yag mlakuka optimisasi paramtr pada ruag hasil trasformasi yag brdimsi lbih rdah daripada dimsi iput spac.. Mrapka stratgi Structural Risk Miimizatio (SRM).. Prisip krja SVM pada dasarya haya mampu magai klasifikasi dua class. Scara sdrhaa kosp SVM adalah sbagai usaha mcari hyprla trbaik yag brfugsi sbagai pmisah dua buah class pada iput spac. Bayak tkik data miig atau machi larig yag dikmbagka dga asumsi kliara, shigga algoritma yag di hasilka trbatas utuk kasus-kasus yag liar, maka utuk mgatasi ya kita bisa mgguaka mtod krl. Fugsi krl yag biasa diguaka dalam SVM : a. Liar : x T x, b. Poliomial : (x T x i + ) P, c. Radial basis fuctio(rbf) : p ( xx i ), d. Tagt hyprbolic(sigmoid) : tah ( T x i + ), dimaa, R? Fugsi krl maa yag harus diguaka utuk substitusi dot product di fatur spac sagat brgatug pada data. Biasaya mtod cross validatio (Satosa 007) diguaka utuk pmiliha fugsi krl. Algoritma Particl Swarm Optimizatio (PSO) mrupaka tkik optimasi brbasis populasi yag diprkalka olh DR. Ebrhart da Dr. Kdy pada tahu 995(Rata Wati, 0) yag trispirasi olh prilaku sosial kawaa burug yag mcoba mcapai tujua yag tidak di ktahui(jug Hsih, F Hsiao, Chag Yh, 0). Particl Swarm Optimizatio(PSO) adalah alat utuk magai masalah optimasi(yua Hsu t al, 0). Di dalam PSO, populasi disbut sbagai kawaa da idividu-idividu sbagai partikl(zhou, Fag, Li, Zhag, Pg 009). Kawaa trsbut trdiri atas partikl-partikl volum-lss dga kcpata stokastik, dimaa masig-masig prtikl trsbut mrprstasika sbuah solusi yag layak, dimaa algoritma PSO trsbut mmuka solusi optimal mlalui prgraka partikl-partikl di dalam ruag solusi(yusup, ISSN 978 96 Modl Prdiksi Saham
Jural Pilar Nusa Madiri Vol.XII, No. Sptmbr 06 6 Zai, Hashim 0). Utuk mdapatka solusi yag optimal atau kurag lbih optimal,stiap partikl mgubah arah pcariaya brdasarka dua faktor, pgalama trbaikya da pgalama trbaik dari kawaa(zhou, Fag, Li, Zhag, Pg 009). Utuk mmuka solusi yag optimal, masig-masig partikl brgrak k arah posisi sblumya trbaik (pbst) da trbaik posisi global (gbst). Salah satu pdkata altratif utuk trai da tst yag srig di adopsi dalam bbrapa kasus (da bbrapa laiya trlpas dari ukuraya) yag di sbut dga k-fold cross validatio (Bramr, 007), dga cara mguji bsarya rror pada data tst(satosa, 007). Kita guaka k- sampl utuk traiig da sampl sisaya utuk tstig. Misalya ada 0 subst data, kita mgguaka 9 subst utuk traiig da subst sisaya utuk tstig. Ada 0 kali traiig dimaa pada masig-masig traiig ada 9 subst data utuk traiig da subst diguaka utuk tstig. Dari situ lalu di hitug rata-rata rror da stadar dviasi rror (Satosa, 007). Stiap bagia k pada giliraya diguaka sbagai ujia mtapka da k laiya - bagia diguaka sbagai traiig st (Bramr, 007), Dalam prdiksi kbrhasila suatu pross dapat diukur slai dari hasil prcobaa yag akurat da optimal ttapi juga harus diprhitugka ksalaha(rror), brikut adalah rror yag srig di guaka(bowrma t al, 005; Satosa, 007):. Ma Squard Error (MSE) 5. Root Ma Squar Error (RMSE)..(6) 6. Normalizd Ma Absolut Error(NMAE) ( (.(7) Pada plitia ii mtod yag aka diusulka adalah dga mgguaka Support Vctor Machi(SVM) yag aka dioptimasi dga mgguaka Particl Swarm Optimizatio(PSO). Stlah dilakuka pross claig, ormalisasi, pmbagia data, da juga tlah mdapatka kombiasi-kombiasi optimasi paramtr C, γ da ε, slajutya hasil dari pross optimasi trsbut aka di aplikasika dga mgguaka algoritma SVMPSO slajutya hasil yag didapat aka divalidasi dga 0 folds x-validatio, utuk mdapatka Root Ma Squard Error(RMSE) da Normalizd Ma Absolut Error(NMRE). Hasil akurasi yag di dapat aka dibadigka dari masig-masig algoritma, apakah SVMPSO dapat migkatka akurasi. Data yag diguaka dalam plitia ii adalah data harga saham Yahoo! slama tujuh tahu, yaitu dari Jauari 007 sampai dga Dsmbr 0, data yag dikumpulka adalah harga saham prhari, shigga trdapat sbayak.76 rcords. Data trsbut diprolh dari fiac.yahoo.com. Rata-rata prbula harga saham Yahoo! dari tahu 007-0 digambarka pada tabl..(). Ma Absolut Prctag Error(MAPE) Dimaa.. ().. (). Ma Absolut Dviatio (MAD). Sum Squar Error (SSE).. () (5) ISSN 978 96 Modl Prdiksi Saham
6 Jural Pilar Nusa Madiri Vol.XII, No. Sptmbr 06 Tabl. Rata-rata prbula harga saham Yahoo! Tahu Bula 007 008 009 00 0 0 0 Ja 8.0 8. 8.8 7 9. 8.8 6.7 5.5 5.0 5.8 6. 5.5 5. 7 9.9 9.6 0.8 0.8 7.9 7.7.6. 5. 5. 6..8.8.0. 6. Fb 6 6 8 6 7 7 9 6 Mar.. 9 8.5 6 8.9.7 6.8 6. 5 6.5 6.7 6.6 8 5. 7 5..6.5 8. 8.0 7. 7... 7. 6.5 7. 5.5 5.5..7 7.7 Apr 7 9 6 5 8 8.7 7.0 6.7 5. 5.8 5.6 5. 6. 6.5 5. 5. 8.7 Mi 6 7 6 9 7 5 6. 6. Ju 7. 7.. 0.6 6 5.8 5 5.6 6.9 5.8.9 8 5.0 5.6 5.8 5. 5..8. 9.8 9.8.7..6.8.8 5.8 7.9 8.0. 6 Jul 8 5 9 9 9 8 9 9 Agt.8.7 9.5 9. 8.7.6...9.6.7 9.6 5 7. 9 7. 6. 6.8 7. 7. 7.8.... 6.0 5.9.0. 7. Sp 9 5 8 6 7 7 8 7.0.8 0.0 6. 6. 6.0 5.6 6.8 6.8..9.5. 5.9 Okt 9 6 7 9 6 6.9 6.8 0.7.5.9 5.8 5.7 8.7 6.9 6.9.9 6. 5.9 8.9 Nov 6 6 7 7 8...9 6.9 6.7 6.7 6.6 6. 6. 9. 0. 0.. 9.9 Ds 6 5 8 8 7 Sumbr : fiac.yahoo.com (0) Lagkah-lagkah yag diguaka :. Pgumpula Data Dalam tahap ii data-data yag dibutuhka dikumpulka ssuai dga kbutuha agar tujua plitia dapat trcapai.. Pgolaha Data Stlah tahap pgumpula data, data-data trsbut kmudia diolah agar data trsbut dapat di guaka sbagai data ksprim, diawali dga pross claig, ormalisasi, srta mtuka data yag aka di guaka sbagai traiig da tstig.. Mtod yag diguaka Dalam tahap ii adalah mtuka mtod yag aka diguaka, dimaa mtod ii mrupaka gambara dari ragkaia kgiata utuk mlakuka platiha da pgujia trhadap data yag sudah dikumpulka da diolah.. Eksprim da pgujia modl Dalam tahap ii aka dilakuka ksprim da pgujia modl trhadap data dga mgguaka algoritma yag sudah dipilih olh pulis. 5. Evaluasi Tahap valuasi mrupaka tahap akhir, dimaa dalam tahap ii pulis mlakuka valuasi hasil dari ksprim da pgujia modl yag diguaka. Data yag diguaka dalam plitia ii adalah data harga saham slama tujuh tahu, yaitu dari jauari 007 sampai dga dsmbr 0, data yag dikumpulka adalah harga saham prhari, shigga trdapat sbayak.76 rcords. Data trsbut diprolh dari www.fiac.yahoo.com. ISSN 978 96 Modl Prdiksi Saham
Jural Pilar Nusa Madiri Vol.XII, No. Sptmbr 06 65 Data St Normalisasi Tidak Optimasi Paramtr Paramtr C, γ da ε Traiig SVMPSO Modl Evaluasi Nilai Fitss Partikl Updat Partikl Bst da Global Bst Updat Kcpata da Posisi Partikl Stop Kodisi Trpuhi? Ya Diprolh Optimal Modl Prdiksi SVM. Pgguaa Algoritma SVM da SVMPSO Stlah optimasi paramtr da juga pmiliha krl lagkah slajutya adalah mgguaka algoritma yag sudah di pilih, yaitu SVM dga ilai paramtr yag sama. Stlah mdapatka hasil dari prapa algoritma SVM, slajutya adalah prapa PSO pada SVM dga mgguaka paramtrparamtr yag mmbrika hasil trbaik pada prapa SVM dga mmbrika ilai Populatio Siz pada PSO yag brbda-bda, disii pulis mgguaka rag 5 50 dga klipata sbayak 5 da Max umbr of gratios sbayak 50. HASIL DAN PEMBAHASAN Validasi SVM-PSO Sumbr : Kragka Hasil plitia (0) Gambar. Mtod Yag Diusulka Tahap ksprim yag dilakuka adalah sbagai brikut :. Iisialisasi Paramtr C, γ da ε Mtuka ilai paramtr C, γ da ε yag kmudia aka didapat paramtr yag optimal utuk mdapatka hasil trbaik. Smaki bsar paramtr C smaki bsar fialisasi rror utuk mmaksimalka margi (Alamili, 0) olh kara itu paramtr C dittapka adalah 0 00, utuk paramtr γ dikaraka smaki bsar γ smaki bagus ilai prdiksi pada traiig da smaki buruk pada validasi (Alamili, 0) maka dittapka rag utuk γ adalah 0.0 da rag yag sama aka diguaka utuk paramtr ε 0.0. Utuk optimasi paramtr pada Rapidmir mgguaka oprator Optimiz Paramtrs, ilai utuk max gratios adalah 50, Touramt fractio adalah 0.5 da crossovr prob adalah 0.9, Populatio sbayak 5. Dari kombias-kombiasi paramtr aka di masukka kdalam algoritma SVM, lalu kombiasi yag mmbrika ilai akurasi srta RMSE da NMAE trbaik maka aka di optimasi dga mgguaka algoritma PSO.. Pmiliha Krl Pmiliha krl brpgaruh trhadap tigkat akurasi srta root ma squard rror. Krl yag aka diguaka dalam plitia ii adalah Dot, Polyomial da RBF. Dari paramtrparamtr yag didapat dari hasil optimasi paramtr aka di uji dga mgguaka masig-masig algoritma dga mgguaka krl trsbut, maka aka trlihat krl maakah yag palig ssuai dga data st kita da maa yag bisa mmbrika hasil akurasi yag optimal. Plitia aka dilakuka dga dua mtod, yaitu plitia dga mgguaka algoritma Support Vctor Machi (SVM) da pgguaa Particl Swarm Optimizatio(PSO) pada SVM. Pgujia modl dga mgguaka kombiasi paramtr C, γ da ε yag diprolh dari pross optimasi paramtr. Masig-masig kombiasi paramtr trsbut aka diuji dga mgguaka krl Dot, Polyomial da Radial Bass Fuctio(RBF). Kombiasi paramtr yag di dapatka adalah sbagai brikut : Tabl.Kombiasi Optimasi Paramtr No. Gamma C Epsilo 0.00556 0.07586 0.0887688 0.09667 6.60969 0.069586 0.085 96.898 0.056070 0.006876.0508 0.08660 5 0.06806 86.568 0.056606 6 0.0785089 86.68095 0.075569 7 0.078558 96.85877 0.0558 8 0.0866785 6.557596 0.0655007 9 0.09695 96.87669 0.07655 0 0.05855 86.0 0.0579597 0.09677 0.08550 0.05976 0.085985 96.887 0.06658 0.076757 96.860 0.06760 0. 6.60 0.055 5 0.085 86.568 0.056070 6 0.06806 96.898 0.056606 7 0.09667 6.60969 0.069586 8 0.085 96.898 0.056070 9 0.0968 6.69595 0.05955797 0 0. 6.688097 0.060707 ISSN 978 96 Modl Prdiksi Saham
66 Jural Pilar Nusa Madiri Vol.XII, No. Sptmbr 06 0.0876 0.065 0.0596 0.0558 0.07776 0.0656 0.09989 6.668 0.0778698 0.009999 0.09868 0.00779 5 0.0905 6.6880 0.05695 6 0.0598 0.0759 0.0086 7 0. 6.69579 0.088685 8 0.09667 6.60969 0.055 9 0. 6.60 0.069586 0 0.09677 0.08550 0.05976 0.09677 0.08550 0.05976 0.0966 6.50600 0.08 0. 6.705 0.056777 0.095 0.068 0.05086 5 0.078987 6.558 0.0775 6 0.08966 0.0678 0.09996 7 0. 6.7868 0.059075 8 0.09689 6.678695 0.05996 9 0.088986 6.69008 0.05657 0 0. 6.60505 0.0878 0. 6.60 0.069586 0. 6.688097 0.060707 0.0968 0.0759 0.05955797 0.0598 6.69595 0.0086 5 0. 6.09 0.097757 6 0. 6.89 0.0876 7 0.098809 6.75069 0.0887 8 0.099007 6.60779 0.0968 9 0.0885959 6.79 0.08565 50 0.087059 6.6097 0.09676757 5 0. 6.79596 0.0776969 5 0.0890 6.5806 0.098869 5 0.098809 6.98 0.079777 5 0. 6.69579 0.088685 55 0. 6.69579 0.088685 56 0.0966 6.69579 0.08 57 0. 6.50600 0.088685 58 0.0869 6.56 0.0966688 59 0.097589 6.087695 0.098867 60 0. 6.7898 0. 6 0.0886 6.6997 0.0888 6 0.0900008 6.67009 0.076778 6 0.08887 6.599 0.07805 6 0.089977 6.57 0. 65 0. 6.09 0.097757 66 0. 6.09 0.097757 67 0. 6.9965 0.09597 68 0. 6.80 0. 69 0.09887 6.7906 0. 70 0.09865 6.96807 0.096687 7 0.098708 6.876 0. 7 0.0960607 6.8 0.0877776 7 0. 6.808 0. 7 0. 6.7007 0. 75 0.0908 6.65075 0. 76 0. 6.09 0.097757 77 0. 6.09 0.097757 78 0. 6.09 0.097757 79 0. 6.09 0.097757 80 0. 6.769 0.09987 8 0. 6.896 0.08568 8 0.0905765 6.670 0.0900 8 0.08800886 6.575089 0. 8 0.099098 6.556706 0. 85 0. 6.8669 0.0950896 86 0. 6.900765 0.0965 87 0.09778 6.8695 0.09705 88 0. 6.708 0.090 89 0. 6.80 0. 90 0. 6.80 0. 9 0. 6.7906 0.097757 9 0.09887 6.09 0. 9 0.09586876 6.095858 0. 9 0. 6.86 0. 95 0. 6.66 0.0987969 96 0.09956955 6.879 0.08898059 97 0.088766 6.0 0. 98 0. 6.58 0. 99 0.080799 6.586 0. 00 0. 6.60 0.078098 0 0.0805 6.6688 0. 0 0. 6.80 0. 0 0. 6.80 0. 0 0. 6.80 0. 05 0. 6.80 0. 06 0. 6.5 0.09886 07 0.0909576 6.686 0.0879 08 0. 6.9 0.0878 09 0.0870006 6.768 0. 0 0. 6.8 0. ISSN 978 96 Modl Prdiksi Saham
Jural Pilar Nusa Madiri Vol.XII, No. Sptmbr 06 67 0. 6.567 0.08957 0.09857 6.08 0.0896958 0. 6.7 0.09869 0. 6.85097 0.097077 5 0. 6.80 0. 6 0. 6.58 0. 7 0. 6.58 0. 8 0. 6.58 0. 9 0. 6.6976 0.057598 0 0. 6.9770 0. 0.089897 6.506576 0.0887550 0.086965 6.98 0. 0. 6.8768 0.08005 0.078577 6.868 0. 5 0. 6.978878 0.08696708 6 0. 6.75058 0. 7 0. 6.05869 0.09590 8 0. 6.58 0. 9 0. 6.58 0. 0 0. 6.58 0. 0. 6.58 0. Sumbr : Hasil Olaha (0) Dari hasil-hasil ksprim dga mgguaka kombiasi kombiasi paramtr diatas maka didapatka hasil pgujia trbaik dga mgguaka krl-krl SVM yag trlihat pada tabldi bawah ii. Tabl. Hasil Eksprim Trbaik SVM RBF Dot Polyomial Traii g Tsti g Traii g Tsti g Traii g Tsti g Gamma 0.0990066 0. 0.05589 C 6.607786 6.7906 0.077767 Epsilo 0.0968 0.097757 0.06559 Bias.6 5.68 9.05.577 5.9 8.09 RMSE 0.97 0.6 0.87 0..65 5.75 NMAE 0.0 0.09 0.07 0.07 0.65 0.79 Prdicti o Accurac y 9. 90.5 9.8 9.6 58.6 7. Sumbr : Hasil Olaha (0) Dari hasil ksprim di atas trlihat bahwa krl DOT utuk prdiksi harga saham mmbrika hasil yag lbih baik dari pada krl RBF da Polyomial. Dimaa pada ilai C = 6.7906, γ., ε 0.097757 mmbrika ilai akurasi yag trbaik, olh kara itu utuk prapa PSO pada SVM pulis aka mgguaka krl DOT dga masig-masig ilai paramtr trsbut. Dari hasil ksprim dga mgguaka PSO pada SVM dga krl DOT, maka didapatka hasil trbaik yag diprlihatka olh tabl-tabl da grafik-grafik sbagai brikut : Sumbr : Hasil Olaha (0) Gambar. Hasil Data Tstig SVM ISSN 978 96 Modl Prdiksi Saham
68 Jural Pilar Nusa Madiri Vol.XII, No. Sptmbr 06 Tabl. Hasil Eksprim Trbaik SVMPSO SVM(DOT) SVMPSO(DOT) Traiig Tstig Traiig Tstig Gamma 0. C 6.7906 Epsilo 0.097757 Bias 9.05.577 9.05.577 RMSE 0.87 0. 0.95 0. NMAE 0.07 0.07 0.09 0.06 Prdictio Accuracy 9.8 9.6 95. 95. Populatio Siz 5 Max Gratios 50 Sumbr : Hasil Olaha (0) Gambar. Hasil Data Tstig SVMPSO Dari hasil ksprim diatas trlihat bahwa PSO dapat migkatka ilai akurasi. Trlihat bahwa sblum mgguaka PSO mmbrika ilai akurasi sbsar 9.8% utuk traiig da 9.6% utuk tstig, stlah PSO di guaka maka trjadi pigkatka dga ilai akurasi sbsar 95.% utuk traiig da 95.% utuk tstig. Evaluasi da Validasi dari harga saham putupa diprlihatka pada tabl 5. dibawah ii. Tabl 5. Prbadiga rata-rata SVM RBF Dot Polyomial Traiig Tstig Traiig Tstig Traiig Tstig RMSE 0.59555 0.70555 0.07 0.85888 7.8880 5.55 NMAE 0.05909 0.0555 0.0000 0.088.88999 0.80899 Sumbr : Hasil Olaha (0) Brdasarka tabl diatas dapat trlihat bahwa dga mgguaka krl DOT baik dilihat pada RMSE da NMAE mmbrika hasil valuasi yag lbih baik dari pada krl RBF da Polyomial. Hasil Pgujia dga mgguaka PSO pada SVM dga mgguaka krl DOT dapat trlihat pada tabl.0. Trlihat bahwa trjadi prbaika utuk RMSE dari 0.07 mjadi 0.89 pada data traiig, da dari 0.85888 mjadi 0. pada data tstig, utuk NMAE dari 0.0000 mjadi 0.07 pada data traiig, da dari 0.088 mjadi 0.06 pada data tstig. Trlihat jlas bahwa dga prapa PSO pada SVM dapat migkatka ilai valuasi. Tabl 6. Prbadiga rata-rata SVM da SVMPSO SVM(DOT) SVMPSO(DOT) Traiig Tstig Traii g Tsti g RMS E 0.07 0.8588 8 0.89 0. NMA E 0.0000 0.08 8 0.07 0.06 Sumbr : Hasil Olaha (0) Brdasarka hasil ksprim yag dilakuka utuk mmprdiksi harga saham sosial mdia Yahoo!, dapat disimpulka bahwa ksprim dga mgguaka algoritma SVM dimulai dga mcari ilai-ilai paramtr C, γ da ε ISSN 978 96 Modl Prdiksi Saham
Jural Pilar Nusa Madiri Vol.XII, No. Sptmbr 06 69 yag dapat mmbrika ilai akurasi yag trbaik, dga cara mcari mlalui optimasi paramtr dga mmasukka rag 0 00 utuk paramtr C, 0 0. utuk paramtr γ da ε, ilai utuk max gratios adalah 50, Touramt fractio adalah 0.5 da crossovr prob adalah 0.9, Populatio sbayak 5. Slajutya hasil dari kombiasi paramtr-paramtr trsbut diuji coba dga mguaka algoritma SVM da mgguaka krl-krl yag trdapat pada SVM yaitu, RBF, Dot da Polyomial. Dari ksprim trsbut di dapatka hasil akurasi trbaik dga mgguaka krl DOT. Pada data Traiig didapat akurasi 9.8%, RMSE = 0.87 da NMAE = 0.07 da pada data Tstig 9.6%, RMSE = 0. da NMAE = 0.07 dga ilai C=6.790667, γ 0. da ε 0.097757089. Stlah diprolh ilai paramtr yag dapat mghasilka ksprim trbaik maka slajutya dga paramtr da krl yag sama dilakuka uji coba dga mgguaka algoritma PSO pada SVM. Stlah dilakuka ksprim dga mgguaka SVMPSO trjadi pigkata ilai akurasi dga mgguaka max gratios = 50. Maka diprolh ilai akurasi sbsar 95.%, RMSE = 0.95 da NMAE = 0.09 pada data traiig, da akurasi sbsar 95.%, RMSE = 0. da NMAE = 0.06 pada data tstig dga prcobaa mgguaka populatio siz = 5. KESIMPULAN Dari hasil plitia yag dilakuka dari tahap awal higga pgujia prapa SVM da SVMPSO utuk mmprdiksi harga saham, tlah didapatka jawaba dari prtayaa-prtayaa plitia yag tlah diidtifikasi sblumya, yaitu : a. Paramtr-paramtr yag dapat mmbrika hasil yag optimal adalah C=6.790667, γ 0. da ε 0.097757089. b. Dga mgguaka PSO pada SVM dapat migkatka hasil akurasi hal ii diprkuat dga hasil ksprim dimaa diprolh ilai akurasi sbsar 95.% dari sblumya 9.8% utuk traiig da 95.% dari sblumya 9.6% utuk tstig. c. Dari ksprim yag dilakuka trlihat bahwa krl yag mmbrika hasil trbaik adalah DOT dga mmbrika ilai akurasi sbsar 9.8% utuk traiig, 9.6% utuk tstig dibadigka dga hasil yag diprolh dari krl RBF sbsar 9.% utuk traiig da 90.5% utuk tstig da krl Polyomial sbsar 58.6% utuk traiig da 7.% utuk tstig. Pada plitia ii scara umum prapa algoritma SVMPSO dapat migkatka akurasi prdiksi harga saham, aka ttapi kara ktrbatasa plitia ii prlu disaraka utuk mlakuka plitia slajutya utuk mdapatka akurasi yag lbih baik. Adapu sara-sara yag dapat dibrika, yaitu :. Pgguaa ormalisasi dga mtod yag brbda trutama utuk kasus sprti prdiksi harga saham, agar dapat mmiimalisasi ilai RMSE.. Pgguaa algoritma yag brbda utuk plitia sjis dga mrapka ilai paramtr-paramtr da itrasi yag brbda-bda.. Plitia ii dapat dikmbagka dga mgguaka mtod optimasi laiya sprti : Gtic Algorithm(GA), Simulatd Aalig(SA), At Coloy Optimizatio(ACO) srta Artificial B Coloy Algorithm(ABC). REFERENSI Achlis S. B. (995) Tchical Aalysis from A to Z. Probus Publishig,Chicago. Alamili, M., (0). Exchag Rat Prdictio usig Support Vctor Machis. Tchisch Uivrsitit Dlft. Aydi, I., Karakos, M., Aki, E., (0). A Multi- Objctiv Artificial Immu Algorithm for Paramtr Optimizatio i Support Vctor Machi, Applid Soft Computig, 0-9. Bodt, E., Rykiwicz, J., Cottrll, M. (00). Som kow facts about fiacial data. Europa symposium o artificial ural tworks 5-7. pp. -6. Bramr, M., (007). Pricipls of Data Miig. Lodo : Sprigr. Jug Hsih, T., F Hsiao, H., Chag Yh, W., (0). Miig Fiacial Distrss Trd Data usig Palty Guidd Support Vctor Machis basd o Hybrid of Particl Swarm Optimizatio ad Artificial B Coloy Algorithm, Nurocomputig 8, 96-06. Kcma, V., (00). Larig ad Soft Computig. Th MIT Prss Cambridg, Massachustts Lodo, Eglad. Kim, K. (00). Fiacial tim sris forcastig usig Support Vctor Machis. Nurocomputig 55, 07-9. Laros, D. T., ( 5. Discovrig Kowldg i Data,. Caada : Wily Itrscic. ISSN 978 96 Modl Prdiksi Saham
70 Jural Pilar Nusa Madiri Vol.XII, No. Sptmbr 06 Lto, C., Gradojvic, N., ( 7 Th Profitability Of Tchical Tradig Ruls: A Combid Sigal Approach, vol., o., pp. 8. Liu, L. ad Wag, W. (008). Exchag Rats Forcastiig with Last Squars SVM. Itratioal Cofrc o Computr Scic ad Softwar Egirig. Lo, A. W., Mamaysky, H., Wag, J., (. Foudatios of Tchical Aalysis: Computatioal Algorithms, Statistical Ifrc, ad Empirical Implmtatio, Th Joural of Fiac, Vol LV, No.. Pilbam, K. (00). Fiac ad Fiacial Markts.Palgrav (ISBN- 978-008). Prmaod, B. ad Toumazou, C., (0) Improvig prdictio of xchag rats usig Diffrtial EMD, Exprt Systms with Applicatios, vol. 0, o., pp. 77 8. Oada Corporatio (0). Historical forig xchag data. Sourc: https://fxtrad.oada.com/tradforx/fxtrad/historical-data Rata Wati, D. A., (0). Sistm Kdali Crdas. Yogyakarta : Graha Ilmu. Satosa, B., (007). Data Miig Tkik Pmafaata Data utuk Kprlua Bisis. Yogyakarta : Graha Ilmu. Swll, M. ad Shaw-Taylor, J., (0). Forcastig forig chag rats usig krl mthods, Exprt Systms with Applicatios, vol. 9, o. 9, pp. 765 766. Shioda, K., Dg, S. ad Sakurai, A., (0). Prdictio of Forig E chag Markt Stats with Support Vctor Machi, 0 0th Itratioal Cofrc o Machi Larig ad Applicatios ad Workshops, vol., pp. 7. Supriyato, H., (. Implmtasi Support Vctor Machis utuk Mmprdiksi Arah Prgraka Harga Haria Valuta Asig (EUR/USD, GBP/USD, da USD/JPY) dga Mtod Krl Trick mgguaka Fugsi Krl Radial Basis Fuctio, pp.. Susato, S., Suryadi, D,. (00). Pgatar Data Miig mggali Pgtahua dari Bogkaha Data. Yogyakarta : Adi Offst. Thiss, U., va Brakl, R., d Wijr, A.P., Mlss, W.J., Buyds, L.M.C. (00). Usig support vctor machis for tim sris prdictio. Chmomtrics ad Itlligt Laboratory Systms 69, 5 9. Wi Fi, S., Bi Miao, Y. ad Liag Liu, C,. (009). Chis Grai Productio Forcastig Mthod Basd o Particl Swarm Optimizatio-basd Support Vctor Machi, Rct Patts o Egirig,, 8. Yu, L., Wag, S., Huag, W. ad Kug Lai, K., ( 7. Ar Forig E chag Rats Prdictabl? A Survy From Artificial Nural Ntworks Prspctiv, Scitific Iquiry, vol. 8, o., pp. 07 8 Yua Shu, L., Ji Horg, S., H, M., Fa, P., Wa Kao, T., Kha, M. K., Shi Ru, R., Li Lai, J., Jia Ch, R., (0). Mutual Fuds Tradig Stratgy basd o Particl Swarm Optimizatio, Exprt Systm with Applicatios 8, 758 760. Yusup, N., Zai, A. M. ad Hashim, S. Z. M., (0). Ovrviw of PSO for Optimizig Procss Paramtrs of Machiig, Procdia Egirig, vol. 9, pp. 9 9. Zhou, J., Fag, R., Li, Y., Zhag, Y., Pg, B., (009). Paramtrs Optimizatio of Noliar Gry Broulli Modl usig Particl Swarm Optimizatio, Applid Mathmatics ad Computatio 07, 9-99. Zŭprl, U., Cŭs, F., & Gcvska, V. ( 7. Optimizatio of th charactristic paramtrs i millig usig th PSO volutio tchiqu. Joural of Mchaical Egirig 6, 5-68 BIODATA PENULIS Eka Puspita Sari, M.Kom. Lahir di Bukit Tiggi, pada taggal 0 Mi 986. Saat ii bkrja sbagai dos ttap di AMIK BSI Jakarta. Pulis mylsaika studi Diploma Tiga (D) pada tahu 007 di AMIK BSI Jakarta dga Program Studi Maajm Iformatika. Pada tahu 009, pulis sudah mylsaika studi Strata Satu (S) di STMIK Nusa Madiri Jurusa Sistm Iformatika dga glar S.Kom da studi Strata Dua (S) di kampus yag sama dga glar M.Kom pada tahu 0. ISSN 978 96 Modl Prdiksi Saham