p-ISSN: 2301-5373

e-ISSN: 2654-5101

Jurnal Elektronik Ilmu Komputer Udayana

Volume 11, No 1. August 2022

Penerapan Metode Adaptive Neuro Fuzzy Inference System (ANFIS) Dengan Membership function Tipe Gaussian dan Generalized Bell Dalam Prediksi Harga Tertinggi Saham

I Putu Sedana Wijayaa1, Made Agung Raharjaa2, Luh Arida Ayu Rahning Putria3, I Putu Gede Hendra Suputraa4, Ida Bagus Made Mahendraa5, I Gede Santi Astawaa6

aInformatics Department, Faculty of Math and Sciences, Udayana University Jalan Raya Kampus Unud, Jimbaran, Bali, 80361, Indonesia 1[email protected] 2[email protected] 3[email protected]. id

4[email protected] 5[email protected] 6[email protected]

Abstract

Many people who have capital are currently buying up shares in the stock market in the hope that the stock price will rise when the Covid-19 pandemic ends. As someone who wants to try investing in the stock market, you must be able to estimate the profits and losses from buying shares. One way that can help consideration in making decisions to buy and sell shares is to make predictions. There are many algorithms that can be used in prediction, one of which is the Adaptive Neuro Fuzzy Inference System (ANFIS) method which is a combination of the Fuzzy Logic algorithm and Artificial Neural Networks. The application of the ANFIS method requires a good ANFIS structure by selecting the right number and type of membership functions. In this study the Gaussian and Gbell type membership functions are used because they have the advantage of allowing subtle changes and can accommodate inaccuracies in measurements so that they match the pattern of historical data that moves smoothly at one time. In this study, it was found that the gaussian type has better accuracy than the gbell type by 97.87% to predict the highest stock price of Tencent Holdings Limited and the gbell type has a better accuracy than the gaussian type of 97.8% to predict the highest price of Take-Two shares. interactive.

Keywords: Prediction, ANFIS, Membership function, Stock, Data.

Abstrak

Banyak kalangan yang memiliki modal saat ini beramai-ramai memborong saham di stock market dengan harapan harga saham tersebut akan naik saat pandemi Covid-19 berakhir. Sebagai seseorang yang ingin mencoba berinvestasi di stock market harus mampu memperkirakan untung dan rugi dari pembelian saham. Salah satu cara yang dapat membantu pertimbangan dalam pegambilan keputusan membeli dan menjual saham adalah melakukan prediksi. Terdapat banyak algoritma yang dapat digunakan dalam prediksi salah satunya adalah metode Adaptive Neuro Fuzzy Inference System (ANFIS). Pengaplikasian metode ANFIS memerlukan struktur ANFIS yang baik dengan pemilihan jumlah dan tipe membership function yang tepat. Pada penelitian ini membership function tipe gaussian dan gbell digunakan karena memiliki kelebihan yaitu memungkinkan perubahan halus dan dapat mengakomodasi ketidaktepatan dalam pengukuran sehingga cocok dengan pola data histori yang bergerak secara halus di satu waktu. Pada penelitian ini diperoleh bahwa tipe gaussian memiliki akurasi yang lebih baik dibandingkan tipe gbell sebesar 97.87% untuk memprediksi harga tertinggi saham Tencent Holdings Limited dan tipe gbell memiliki akurasi yang lebih baik dibandingkan tipe gaussian sebesar 97,8% untuk memprediksi harga tertinggi saham Take-Two Interactive.

Kata kunci: Prediksi, ANFIS, Membership function, Saham, Data.

  • 1.    Pendahuluan

Saham merupakan suatu tanda penyertaan kepemilikan seseorang atau badan dalam suatu perusahaan terbatas [1]. Banyak kalangan yang memiliki modal saat ini beramai-ramai memborong saham di stock market dengan harapan harga saham tersebut akan naik saat pandemi Covid-19 berakhir. Salah satu bidang bisnis yang harga sahamnya diharapkan akan terus meningkat saat pandemi adalah bisnis video games. Sebagai seseorang yang ingin mencoba berinvestasi harus mampu memperkirakan untung dan rugi dari pembelian saham, harus siap dengan resiko yang terjadi akibat fluktuatifnya pasar saham. Salah satu cara yang dapat membantu pertimbangan dalam pegambilan keputusan membeli dan menjual saham adalah melakukan prediksi.

Menurut [1], prediksi adalah proses untuk memperkirakan berapa kebutuhan di masa yang akan datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang ataupun jasa. Terdapat banyak metode yang dapat digunakan dalam prediksi salah satunya adalah metode Adaptive Neuro Fuzzy Inference System (ANFIS) yang merupakan penggabungan dari metode Logika Fuzzy dan Jaringan Syaraf Tiruan [2]. ANFIS merupakan metode hybrid yang berdasarkan menutupi kelemahan dari masing-masing metode tersebut. ANFIS (Adaptive Neuro-Fuzzy Inference System) dapat memberikan solusi untuk model sistem prediktif yang mampu beradaptasi dengan baik untuk menangani sistem yang kompleks, nonlinier dan berubah waktu melalui metode pembelajaran terhadap data numerik sistem [3].

Metode ANFIS memerlukan struktur yang baik berdasarkan pemilihan jumlah dan tipe membership function yang tepat. Membership function merupakan fungsi yang memetakan elemen suatu himpunan ke nilai keanggotaan fuzzy pada interval 0 hingga 1. Pemilihan tipe membership function bergantung pada pola data yang digunakan, sehingga dapat mempengaruhi akurasi model ANFIS yang dibangun. Pada penelitian ini digunakan membership function dengan tipe gaussian dan generalized bell (gbell). Kedua tipe ini memiliki kelebihan yaitu memungkinkan perubahan halus dan dapat mengakomodasi ketidaktepatan dalam pengukuran sehingga cocok dengan pola data histori yang bergerak secara halus di satu waktu [4]. Oleh itu kedua tipe membership function ini digunakan pada metode ANFIS untuk melakukan prediksi harga tertinggi saham. Adapun beberapa batasan lainnya pada penelitian ini adalah jumlah iterasi maksimum sebesar 5000, toleransi error sebesar 10-5, dan data histori saham yang digunakan adalah data perusahaan yang bergerak di bidang video games yaitu Tencent Holdings Limited dan Take-Two Interactive Software, Inc.

  • 2.    Metode Penelitian

Pada penelitian ini dilakukan prediksi harga tertinggi saham pada hari berikutnya berdasarkan pola data yaitu harga pembukaan saham, harga terendah saham, dan harga penutupan saham di masa lampau dengan proses pre-processing data seperti normalisasi terhadap data, membagi data menjadi 2 yaitu data latih dan data uji, dan pemilihan setting parameter seperti jumlah membership function, tipe membership function, serta jumlah iterasi yang digunakan. Tahapan berikutnya adalah melatih model ANFIS dengan menggunakan metode ANFIS yang dibangun dengan bantuan library Tensorflow pada bahasa pemrograman Python hingga toleransi error Mean Squarred Error (MSE) berada di bawah 10-5 atau iterasi telah maksimum. Kurva dari kedua membership function akan dicetak setelah proses metode ANFIS selesai. Tahap terakhir adalah tahap pengujian untuk mengukur kinerja model ANFIS yang dibangun menggunakan metode uji Mean Absolute Percentage Error (MAPE) dan hasil pengujian akan dicetak pada sistem. Proses pada penelitian ini terdapat pada Gambar 1.

Gambar 1. Flowchart Penelitian ANFIS

  • 2.1.    Data Penelitian

Dari situs Yahoo Finance, peneliti memperoleh data histori saham Tencent Holdings Limited dan Take-Two Interactive Software, Inc dengan rentang waktu selama 3 tahun dari tanggal 1 Februari 2019 hingga 1 Maret 2022 sebanyak 745 dengan tren grafik terlihat pada Gambar 2 dan 3. Terdapat 7 variabel dalam dataset ini dengan masing-masing penjelasan terdapat pada Tabel 1.

Tabel 1. Parameter Data Penelitian

Parameter

Deskripsi

Date

Tanggal transaksi saham (per hari)

Open

Harga pembukaan saham di hari tersebut

High

Harga tertinggi saham di hari tersebut

Low

Harga terendah saham di hari tersebut

Close

Harga penutupan saham di hari tersebut

Volume

Jumlah saham yang diperdagangkan di hari tersebut

Adjusted Close

Harga penutupan saham yang disesuaikan di hari tersebut

DSffi H∣swrι Sahsm Tsncent HoMrngs Limffid Selama 3 Tahun

Gambar 2. Grafik Data Saham Tencent Holdings Limited.

Gambar 3. Grafik Data Saham Take-Two Interactive Software, Inc.

  • 2.2.    Adaptive Neuro Fuzzy Inference System (ANFIS)

ANFIS merupakan arsitektur yang secara fungsional sama dengan logika fuzzy dan juga sama dengan jaringan syaraf tiruan fungsi radial dengan sedikit batasan tertentu [6]. ANFIS merupakan penggabungan dua metode yaitu antara Logika Fuzzy dan Jaringan Saraf Tiruan. Jaringan Saraf Tiruan adalah struktur jaringan di mana keseluruhan perilaku input-output ditentukan oleh serangkaian parameter yang dimodifikasi. Sedangkan sistem logika fuzzy bersifat adaptif, berarti bahwa sistem fuzzy dapat disesuaikan dengan kondisi sesuai. Logika fuzzy memiliki kelebihan dalam memodelkan aspek kualitatif dari pengetahuan manusia dan proses pengambilan keputusan dengan menerapkan basis aturan (rules). Sistem inferensi fuzzy dapat dilatih dengan metode propagasi balik berdasarkan pasangan data input-output menggunakan arsitektur jaringan saraf [3]. Kombinasi sistem inferensi fuzzy dengan jaringan saraf ini disebut dengan neuro-fuzzy.

Efektifitas dari ANFIS dengan penggabungan dua metode logika fuzzy dan jaringan saraf tiruan telah diuji oleh banyak penelitian seperti memodelkan dua dimensi fungsi sinc, memodelkan fungsi tiga input linear yang digunakan sebagai permasalahan benchmark untuk pendekatan fuzzy, menjelaskan bagaimana cara mengidentifikasi komponen non-linear dalam sebuah kontrol sistem yang online, hingga melakukan prediksi data time series dan hasilnya telah dibandingkan secara ekstensif dengan

pendekatan connectionist dan metode statistik konvensional [2]. ANFIS memiliki lima tahapan yang direpresentasikan pada layer di strukturnya yang dibangun menyerupai struktur jaringan saraf tiruan dengan fungsi logika fuzzy yang bergantung pada model fuzzy yang digunakan seperti Sugeno, Tsukasamoto, atau Mamdani. Input yang diproses pada ANFIS akan difuzzifikasikan terlebih dahulu pada layer pertama dengan menggunakan membership function. Terdapat banyak tipe membership function, beberapa yang populer diantaranya adalah tipe triangular, trapezodial, gaussian, dan generalized bell. Adapun flowchart metode ANFIS ditunjukkan pada Gambar 4.

Gambar 4. Flowchart Metode ANFIS


Berikut langkah-langkah yang ada pada metode ANFIS:

  • 1) . Semua simpul di layer pertama adalah simpul adaptif (parameter dapat berubah) dengan fungsi simpul:

01,i = ^Ai (x),     untuk i = 1,2                           ( 1 )

Dengan x dan y adalah masukan pada simpul i. Sedangkan Ai adalah membership function dari masing-masing simpul. Simpul 01,i menyatakan derajat keanggotaan setiap masukan terhadap himpunan fuzzy A dan B. Membership function yang digunakan pada penelitian ini adalah gaussian dan generalized bell.

  • 2) . Semua simpul di layer kedua adalah simpul non adaptif (parameter tetap). Luaran dari simpul ini adalah hasil perkalian dari setiap sinyal masukan yang datang dari layer 1 dengan fungsi perkalian:

02,i = Wi= μAi(x).μβi(y),i = 1,2.                           ( 2 )

Setiap luaran dari simpul ini menyatakan derajat pengaktifan (firing strength) tiap aturan fuzzy. Banyaknya simpul pada layer ini menunjukkan banyaknya aturan yang dibentuk. Fungsi perkalian yang

digunakan adalah interpretasi dari operator AND.

  • 3) . Semua simpul di layer ketiga adalah simpul non adaptif (parameter tetap) yang memiliki luaran

fungsi derajat pengaktifan (firing strength) ternormalisasi yaitu rasio luaran simpul ke-i pada layer

sebelumnya, dengan bentuk simpul:

wi

W1 + W2


,i = 1,2.


( 3 )


03,i = Wi

Apabila dibentuk lebih dari 2 aturan, maka fungsi dapat diperluas dengan membagi wi dengan jumlah

total w untuk seluruh aturan.

  • 4) . Semua simpul di layer keempat adalah simpul adaptif (parameter dapat berubah) dengan fungsi simpul:

°4,i=fi = Walzi ,i = 1,2.                            ( 4 )

Dengan parameter konsekuen ai dan zi masing-masing sebagai area dan pusat dari membership function konsekuen.

  • 5) . Semua simpul di layer kelima memiliki fungsi untuk menjumlahkan semua masukan yang datang

dari layer keempat dengan fungsi simpul:

O5,i = ∑f = ∑waz!i,i = 1,2.

  • 2.3.    Mean Squarred Error (MSE)

MSE merupakan salah satu metode untuk mencari rata-rata kesalahan kuadrat di antara nilai hasil prediksi dengan nilai aktual. MSE umumnya digunakan untuk mengecek estimasi error pada kasus prediksi. Semakin mendekati nilai nol, nilai MSE semakin baik karena menunjukkan bahwa hasil prediksi sesuai dengan data aktual dan model yang dibangun dapat memprediksi dengan baik (Das, Jiang and Rao, 2004). Nilai MSE dapat dihitung dengan persamaan berikut.

∑⅛1(At - Ft)2

MSE= -—-----—


n


( 6 )


Keterangan:

  • 1)    At = Nilai aktual

  • 2)    Ft = Nilai hasil prediksi

  • 3)    n = Banyaknya data

  • 2.4.    Mean Absolute Percentage Error (MAPE)

MAPE merupakan indikator persentase kesalahan antara data aktual dengan data peramalan.

Nilai MAPE dapat dihitung dengan persamaan 2.6. Hi^ I

ι-

ma^1^( 7 )

t = 1

Keterangan:

  • 1)  Yt = nilai aktual pada periode t

  • 2)  Yt = nilai prediksi pada periode t

Model peramalan akan sangat baik bila menghasilkan nilai MAPE yang kurang dari 10% dan akan bernilai buruk bila berada diatas 50% [7]. Kriteria nilai MAPE ditunjukkan pada Tabel 2.1.

Tabel 2. Kriteria Nilai MAPE [8]

Nilai MAPE

Kriteria

< 10%

Sangat Baik

10-20%

Baik

20-50%

Cukup

> 50%

Buruk

  • 3.    Hasil dan pembahasan

    3.1.    Analisa Data

Pada penelitian ini digunakan data time series dalam kurun waktu kurang lebih 3 tahun dari tanggal 1 Februari 2019 hingga 1 Maret 2022 untuk masing-masing perusahaan Tencent Holdings Limited dan Take-Two Interactive Software, Inc. Setiap data saham dari masing-masing perusahaan memiliki 745 data. Dapat dilihat bahwa tren dari kedua kurva di atas mengalami peningkatan selama 3 tahun terakhir. Parameter yang akan digunakan pada data training adalah harga bukaan (open), harga terendah (low), dan harga penutupan (close) saham serta keluaran prediksi yang dihasilkan adalah harga tertinggi (high) saham. Data dari parameter yang digunakan akan dilakukan normalisasi terlebih dahulu. Dari 775 data tersebut selanjutnya dibagi menjadi dua bagian, yaitu:

  • a.      Data training: data yang akan dilatih oleh model ANFIS berjumlah 70% atau 512 data.

  • b.      Data testing: data yang akan diuji dengan metode uji MAPE berjumlah 30% atau 232 data.

  • 3.2.    Permodelan ANFIS

    3.2.1    Fuzzifikasi dan Set Membership Function untuk Penentuan Harga Saham

Pada layer pertama ANFIS didapatkan kurva dari masing-masing membership function pada Gambar 5 dan Gambar 6 berikut.

ga∪ssian MF                                                 gbellmf MF


Gambar 5. Kurva membership function ANFIS Tencent Holdings Limited gaussιanMF                                              gbellmf MF


Gambar 6. Kurva membership function ANFIS Take-Two Interactive Softtware, Inc.

Sumbu x pada kurva di atas menunjukkan jarak dari masing – masing tipe membership function, sedangkan sumbu y menunjukkan nilai membership function. Terlihat bahwa terdapat lima line dengan warna dan representasi dari setiap nilai membership function yaitu biru untuk sangat rendah, orange untuk rendah, merah untuk normal, ungu untuk tinggi, kuning untuk sangat tinggi. Pada Gambar 5 kurva gbell memiliki lebar pada titik tengah (a) pada line merah (normal) yang terlihat seperti bentuk kerucut pada input 3 (harga penutupan saham) tidak merepresentasikan bentuk lonceng gbell dengan baik, sedangkan kurva gaussian mampu merepresentasikan bentuk lonceng dengan lebih baik dengan lebar atau sigma tidak beda jauh antar nilai membership function. Sebaliknya pada Gambar 6 kurva gbell dan kurva gaussian dapat merepresentasikan bentuk lonceng dengan baik dengan perbedaan yang tidak terlalu signifikan.

  • 3.2.2.    Rule Evaluation Fuzzifikasi untuk Penentuan Harga Saham

Pada layer kedua digunakan aturan IF … THEN … dengan penghubung AND sebagai rule evaluation. Terdapat 125 rules pada penelitian ini karena masing-masing input yaitu harga bukaan (open), harga terendah (low), dan harga penutupan (close) memiliki 5 fuzzy value sehingga aturan menjadi 5^3. Adapun penjabaran rules tersebut disajikan pada Tabel 3 berikut.

Tabel 3. Rules penentuan harga tertinggi saham

No.

Rules

1

IF (open is very low) AND (low is very low) AND (close is very low ) THEN (high is very low)

2

IF (open is very low) AND (low is very low) AND (close is low ) THEN (high is low)

3

IF (open is very low) AND (low is very low) AND (close is normal ) THEN (high is normal)

4

IF (open is very low) AND (low is very low) AND (close is high ) THEN (high is high)

122

IF (open is very high) AND (low is very high) AND (close is low ) THEN (high is low)

123

IF (open is very high) AND (low is very high) AND (close is normal ) THEN (high is normal)

124

IF (open is very high) AND (low is very high) AND (close is high ) THEN (high is high)

125

IF (open is very high) AND (low is very high) AND (close is very high ) THEN (high is very high)

  • 3.2.3.    Training ANFIS

Dengan menggunakan model ANFIS yang telah dibangun, akan dibandingkan performance dari dua membership function yaitu gaussian dengan gbell pada ANFIS memprediksi harga tertinggi saham dari Tencent Holdings Limited dan Take-Two Interactive Software, Inc.

Tabel 4. Training model ANFIS Tencent Holdings Limited

Iterasi ke-

gaussian

gbell

loss

val_loss

loss

val_loss

1

0.024707066

0.001807548

0.010431395

0.001716427

2057

4.15E-05

4.63E-05

3.93E-05

0.000163461

2058

3.72E-05

4.30E-05

4.79E-05

2.29E-05

2950

3.32E-05

4.95E-05

4.60E-05

2.25E-05

2951

4.12E-05

6.34E-05

4.58E-05

2.55E-05

5000

4.04E-05

6.45E-05

4.41E-05

3.14E-05

Rata-rata Error

4.5326E-05

5.1539E-05

4.87034E-05

3.08903E-05

Dilihat pada proses training ANFIS pada Tabel 4 dengan dua membership function dari data saham Tencent Holdings Limited, dapat diketahui bahwa struktur ANFIS yang dibangun dapat digunakan untuk memprediksi harga tertinggi (high) saham. Hal ini karena hasil error atau loss yang didapatkan setelah 5000 epoch di bawah toleransi 10-5. Dapat diketahui juga bahwa membership function gaussian lebih baik dibandingkan membership function gbell. Hal ini karena average training error dengan tipe gaussian lebih rendah yaitu sebesar 4.5326E-05 dibandingkan tipe gbell sebesar 4.87034E-05.

Tabel 5. Training model ANFIS Take-Two Interactive Software, Inc

Iterasi ke-

gaussian

gbell

loss

val_loss

loss

val_loss

1

0.002878178

0.00090732

0.065913163

0.001820721

4338

9.68E-05

0.000123259

0.000101379

0.000117335

4339

0.000106599

0.000115294

0.000104057

0.000108402

4985

0.000105062

0.00010888

9.41E-05

0.000133573

4986

0.000105024

9.89E-05

0.000102787

0.000101113

5000

0.000101365

0.000140406

9.98E-05

0.000119895

Rata-rata Error

0.000117181

0.000112768

0.000107349

0.000120323

Sedangkan hasil training ANFIS dari data Take-Two Interactive Software, Inc. pada Tabel 5 dapat diketahui bahwa model menghasilkan average error yang lebih besar yaitu sebesar 0.000117181 dengan menggunakan membership function gaussian dibandingkan dengan average error sebesar 0.000107349 menggunakan membership function gbell. Hal ini berarti bahwa membership function gbell dapat memprediksi harga saham pada perusahaan Take-Two Interactive Software, Inc. dengan lebih baik dibandingkan membership function gaussian. Dilihat dari tabel 5 di atas, diketahui juga bahwa hasil training menggunakan membership function gbell memiliki error minimum sebesar 9.67674E-05 pada iterasi ke 4338. Ini juga menunjukan bahwa model ANFIS dapat memprediksi harga tertinggi saham karena error menyentuh toleransi 10-5 dengan jumlah iterasi maksimum hingga 5000.

  • 3.3.    Hasil Analisa

Untuk mengukur kinerja dari model ANFIS yang telah dibangun untuk memprediksi harga tertinggi saham, maka diperlukan testing. Testing dilakukan dengan membandingkan data testing dengan hasil prediksi harga tertinggi saham berjumlah 232 data. Hasil prediksi keseluruhan data testing Tencent Holdings Limited dapat dilihat pada Tabel 6.

Tabel 6. Testing data Tencent Holdings Limited

Data Testing

Harga Aktual

gaussian

gbell

Prediksi

Error

Aktual

Error

1

76.75

78.23654

1.48654

78.28708

1.53708

2

76.790001

76.18868

0.601321

76.34705

0.442951

3

76.769997

75.62179

1.148207

75.88286

0.887137

4

76.110001

76.62867

0.518669

76.77756

0.667559

229

50.5

49.678722

0.821278

49.730736

0.769264

230

50.16

50.455944

0.295944

50.49502

0.33502

231

48.43

49.65043

1.22043

49.71058

1.28058

232

47.700001

48.26065

0.560649

48.332005

0.632004

Pada prediksi harga tertinggi saham Tencent Holdings Limited dengan kedua tipe membership function dapat dilihat bahwa error yang terjadi tidak begitu signifikan. Namun terdapat perbedaan error seperti pada prediksi data harga tertinggi saham ke 230 hingga 232 antara membership function tipe gaussian dan tipe Gbell dapat dilihat bahwa tipe gaussian memiliki error yang lebih kecil dibandingkan tipe Gbell. Hal ini ditunjukkan dari perbedaan error seperti pada data ke 232 sebesar 0.560649 untuk tipe gaussian dan 0.632004 untuk tipe gbell.

Tabel 7. Testing data Take-Two Interactive Software, Inc

Data Testing

Harga Aktual

gaussian MF

Gbell MF

Prediksi

Error

Aktual

Error

1

171.429993

168.87624

2.553753

168.79947

2.630523

2

169.25

168.17776

1.07224

168.18433

1.06567

3

167.479996

165.56448

1.915516

165.82451

1.655486

4

165.490005

164.2888

1.201205

164.38129

1.108715

229

155.839996

150.2841

5.555896

150.86278

4.977216

230

157.089996

150.62344

6.466556

151.78915

5.300846

231

152

150.88594

1.11406

151.31923

0.68077

232

147.899994

147.17052

0.729474

147.35936

0.540634

Sedangkan pada hasil prediksi dengan data Take-Two Interactive Software, Inc dapat dilihat pada Tabel 7. Error hasil prediksi dengan membership function gaussian dan membership function gbell menunjukkan bahwa error yang terjadi tidak begitu signifikan dan relatif kecil. Namun terdapat pula perbedaan error seperti pada prediksi 5 data harga tertinggi saham terakhir, dapat dilihat bahwa tipe gbell memiliki error yang lebih kecil dibandingkan tipe gaussian. Hal ini ditunjukkan pada data ke 232 dari perbedaan jumlah error 0.540634 untuk tipe gbell dan 0.729474 untuk tipe gaussian. Dari kedua hasil prediksi harga tertinggi saham di perusahaan Tencent Holdings Limited dan Take-Two Interactive Software, Inc., diperoleh perhitungan untuk nilai uji error MAPE sebagai berikut.

Tabel 8. Uji MAPE hasil prediksi model ANFIS

Data

Nilai Uji MAPE

Tipe gaussian MF

Tipe Gbell MF

Tencent Holdings Limited

0.02129 (2.13%)

0.02151 (2.15%)

Take-Two Interactive Software, Inc.

0.02276 (2.28%)

0.02196 (2.2%)

Dilihat pada tabel di atas, maka dapat ditunjukkan bahwa akurasi model ANFIS untuk data Tencent Holdings Limited lebih baik menggunakan membership function tipe gaussian dengan tingkat akurasi sebesar 97.87% sedangkan akurasi model ANFIS untuk data Take-Two Interactive Software, Inc. lebih baik menggunakan membership function tipe gbell dengan tingkat akurasi sebesar 97.8%.

  • 4.    Kesimpulan

Pada penelitian ini dilakukan prediksi harga tertinggi saham berdasarkan data dari perusahaan Tencent Holdings Limited dan perusahaan Take-Two Interactive Software, Inc sebanyak 745 data histori saham yang diperoleh dari situs Yahoo Finance menggunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS). Pada model ANFIS yang dibangun digunakan dua membership function yaitu tipe gaussian dan gbell. Pengukuran kinerja metode CART penelitian ini menggunakan metode Mean Absolute Percentage Error (MAPE). Dari penelitian ini diperoleh bahwa kinerja dari model ANFIS dengan tipe gaussian lebih baik dibandingkan tipe gbell dengan tingkat akurasi 97.87% untuk memprediksi harga tertinggi saham Tencent Holdings Limited, sedangkan tipe gbell memiliki tingkat akurasi sebesar 97.8% yang lebih baik dibandingkan tipe gaussian untuk memprediksi harga tertinggi saham Take-Two Interactive Software, Inc. Terlihat bahwa tipe gaussian dapat menghasilkan keputusan yang lebih tepat untuk prediksi harga tertinggi saham perusahaan Tencent Holdings Limited dan tipe gbell menghasilkan keputusan yang lebih tepat untuk prediksi harga tertinggi saham perusahaan Take-Two Interactive Software, Inc.

Referensi

  • [1]    S. Sitohang and V. Karnadi, “Prediksi Harga Saham Menggunakan Generalize Fuzzy Inference System ( GENFIS3 ),” no. September, 2020.

  • [2]    J.-S. R. Jang, C.-T. Sun, and E. Mizutani, Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. United States of America: Prentice-Hall, Inc., 1997.

  • [3]    M. A. Raharja, I. D. M. B. A. Darmawan, D. P. E. Nilakusumawati, and I. W. Supriana, “Analysis of membership function in implementation of adaptive neuro fuzzy inference system (ANFIS) method for inflation prediction,” J. Phys. Conf. Ser., vol. 1722, no. 1, 2021, doi: 10.1088/1742-6596/1722/1/012005.

  • [4]    Y. Tan, C. Shuai, L. Jiao, and L. Shen, “An adaptive neuro-fuzzy inference system (ANFIS) approach for measuring country sustainability performance,” Environ. Impact Assess. Rev., vol. 65, no. October 2016, pp. 29–40,  2017, doi:

10.1016/j.eiar.2017.04.004.

  • [5]    A. Hartanti, “Peramalan Harga Saham Pada Lima Emiten Terbaik Versi Forbes Tahun 2012 Menggunakan Fuzzy Model,” 2014.

  • [6]    M. I. Azhar and W. F. Mahmudy, “Prediksi Curah Hujan Menggunakan Metode Adaptive Neuro Fuzzy Inference System ( ANFIS ),” vol. 2, no. 11, 2018.

  • [7]    P. C. Chang, Y. W. Wang, and C. H. Liu, “The development of a weighted evolving fuzzy neural network for PCB sales forecasting,” Expert Syst. Appl., vol. 32, no. 1, pp. 86–96, 2007, doi: 10.1016/j.eswa.2005.11.021.

  • [8]    I. M. Satriawan, I. M. Mataram, and A. A. N. Amrita, “Peramalan beban listrik jangka pendek menggunakan metode ANFIS di Gardu Induk Nusa Dua Bali,” Spektrum, vol. 7, no. 1, pp. 83–89, 2020.

  • [9]    O. Noureldeen, “Design of robust intelligent protection technique for large-scale grid-connected wind farm,” 2018.

  • [10]    M. Lutfi, “Prediksi Harga Terendah Dan Harga Tertinggi Dengan Menggunakan Metode Anfis Untuk Analisa Teknikal Pada Forex Market,” JTIM J. Teknol. Inf. dan Multimed., vol. 1, no. 3, pp. 261–268, 2019, doi: 10.35746/jtim.v1i3.40.

120