DISUSUN OLEH: Meiga Restianti

Presentasi berjudul: "DISUSUN OLEH: Meiga Restianti"— Transcript presentasi:

1 DISUSUN OLEH: Meiga Restianti 50406463
IMPLEMENTASI METODE GENE EXPRESSION PROGRAMMING DALAM MODEL PREDIKSI HARGA SAHAM DISUSUN OLEH: Meiga Restianti Pembimbing: DR Raden Supriyanto, MSc.

2 Latar Belakang Gene Expression Programming (GEP) adalah suatu metode yang baru-baru ini dikenalkan sebagai salah satu teknik komputasi evolusioner. Metode GEP merupakan keturunan dari Genetic Programming. Di GEP, setiap individu didefinisikan sebagai string yang memiliki panjang yang sama, namun setelah dilakukan proses ekspresi tiap individu (kromosom) memiliki panjang yang berbeda. Analisis data pada time series pada dasarnya digunakan untuk melakukan analisis data yang mempertimbangkan pengaruh waktu. Data-data yang digunakan secara periodik berdasarkan urutan waktu.

3 Latar Belakang(Lanjutan)
Pada analisis time series dapat melakukan peramalan data beberapa periode kedepan yang sangat membantu dalam menyusun perencanaan kedepan. Para ahli ekonomi, menggunakan analisis time series ini sebagai alat bantu perencanaan daya jangka pendek maupun jangka panjang.

4 Batasan Masalah Menggunakan 1 metode dalam penyelesaian masalah, yaitu metode Gene Expression Programming Untuk pencarian Solusi menggunakan 2 variable dependent (variable bebas) dan 1 variable independent (variable tak bebas). Variable Dependent = harga saham tertinggi dan terendah Variable Independent = Harga penutupan saham Untuk dapat memprediksi beberapa hari kedepan dibutuhkan 2 variable dependent sebagai acuannya.

5 Tujuan Penulisan Membangun sebuah aplikasi yang digunakan untuk membuat sebuah solusi/model matematika terhadap data time series (Harga Saham) dan melakukan prediksi beberapa hari kedepan dengan acuan solusi yang diberikan dengan menggunakan metode Gene Expression Programming. Diharapkan aplikasi yang dibagun berguna untuk menganalisa data time series dan dapat membantu menyusun rencana dikemudian hari.

6 Metedologi Penulisan Mengumpulkan berbagai refrensi dan jurnal yang berkaitan dengan masalah yang terkait. Membuat Prototype dari aplikasi yang akan dibuat, dan melakukan perancangan sistem berupa usecase diagram dan activity diagram Mengimplementasikan aplikasi yang telah dibuat, dan memberikan langkah-langkah untuk pengopersian aplikasi Melakukan ujicoba terhadap data saham harian dan mingguan pada 3 perusahan (ISAT, BTEL,TLKM)

7 Sistematika Penulisan
BAB 1 (Pendahuluan) : berisi uraian masalah terkait permasalahan yang akan dibahas pada penelitian ini secara umum BAB 2 (Kajian Pustaka) : berisi teori-teori penunjang seputar metode gene expression programming yang digunakan untuk membangun aplikasi BAB 3 (Pembahasan Masalah) : berisi perancangan terhadap aplikasi yang dibuat, diantaranya perancangan interface, dan perancangan sistem (Use Case Diagram & Activity Diagram)

8 Sistematika Penulisan (Lanjutan)
BAB 4 (Implementasi dan analisis) : berisi proses implementasi, ujicoba, dan analisis aplikasi yang sudah dibuat. BAB 5 (Penutup) : Berisi kesimpulan terhadap aplikasi yang dibangun. Dan saran penulis yang ditujukan kepada semua pihak yang tertarik pada penelitan ini.

9 Diagram Alur Gene Expression Programming
Gene Recombination End Evaluate Fitness Create Chromosome of Initial Population Express Chromosome Execute Each Program Iterate or Terminate Keep Best Program Select Program Replication Mutation IS Transposition RIS Transposition Gene Transposition 1-point Recombination 2-point Recombination Prepare New Program of Next Generation Diagram Alur Gene Expression Programming

10 Konsep dasar Time Series Gene Expression Programming
Training Stage Regresi Sederhana Predict Event Learning Stage Gene Expression Programming Testing Time Series

11 Perancangan Sistem a. Use Case Diagram

12 Perancangan Sistem b. Activity Diagram

13 Perancangan Interface
a. Rancangan Form Utama Prediction Time Series Gene Expression Programing Start About 1 2 3 4 Load Iteration Population Size Head Length Max Arg MNSE CV R grafik Setting Parameter GEP data Solusi Matematika Prediksi Error

14 Cara Pengujian a. Tampilan Awal Form Utama

15 Cara Pengujian b. Tampilan Program Membaca Data

16 Cara Pengujian c. Tampilan Program Menseleksi Kromosom terbaik

17 Cara Pengujian d. Tampilan Program Menghasilkan Solusi dan Prediksi

18 Parameter Gene Expression Programming
Nilai Iterasi 1000 Banyaknya Populasi 200 Maximal Argumen 2 Head Length 30 Function set + ,- ,* , / Metode Seleksi Roulette Wheel IS Transposition Rate 0.05 RIS Transposition Rate 0.03 One-Point Recombination Rate 0.3 Two-Point Recombination Rate 0.15

19 Pengujian Data Perusahan Kode Periode PT. Indosat ISAT Harian Mingguan
PT. BakrieTelekomunikasi BTEL PT. Telekom TLKM

20 Solusi Matematika a = harga saham tertinggi b = harga saham terendah
Nama Saham Periode Solusi ISAT Harian (a-(a/b)) Mingguan BTEL ((a/a)+b) TLKM ((a/a)*(a/b)+b)) (b+(a/a)/((b+b)/b)) a = harga saham tertinggi b = harga saham terendah

21 Hasil Pengujian Data (ISAT)
Grafik Harga Saham ISAT

22 Hasil Pengujian Data (BTEL)
Grafik Harga Saham BTEL

23 Hasil Pengujian Data (TLKM)
Grafik Harga Saham TLKM

24 Hasil Pengujian Data Gabungan (Harian)
Grafik Harga Saham Gabungan (Harian)

25 Hasil Pengujian Data Gabungan (Mingguan)
Grafik Harga Saham Gabungan (Mingguan)

26 Analisa Perhitungan

27 Analisa Perhitungan (Lanjutan) Saham ISAT SahamTLKM Saham BTEL No
Periode NMSE CV R 1 Harian 2 Mingguan No Periode NMSE CV R 1 Harian 2 Mingguan Saham BTEL No Periode NMSE CV R 1 Harian 2 Mingguan

28 Hasil Analisa Semakin banyak data dan semakin tinggi nilai iterasi yang diujikan maka semakin banyak waktu yang dibutuhkan untuk memprosesnya. Solusi yang dihasilkan pada aplikasi ini masih sederhana. Hal ini dikarenakan operator yang digunakan untuk membentuk solusi masih menggunakan operator-operator dasar. Maka nilai error yang dihasilkan masih tinggi.

29 Hasil Analisa (lanjutan)
Nilai NMSE, CV dan R yang dihasilkan pada masing- masing nilai saham, dipengaruhi oleh solusi matematika yang dihasilkan pada pencarian kromosom terbaik Data harian cenderung memiliki nilai NMSE lebih kecil, hal ini dikarenakan pada data harian memiliki kerapatan data yang lebih kecil dibandingkan dengan data mingguan.

30 Hasil Analisa (lanjutan)
Dari hasil evaluasi CV, menunjukan rata-rata nilai variasi yang cenderung rendah, hal ini dikarenakan solusi yang dihasilkan tidak terlalu kompleks. Sehingga dibutuhkan operator-operator tambahan untuk data saham yang cenderung fluktuatif. Pada tingkat korelasi antara data asli dengan model yang dibentuk, memilki tingkat korelasi yang cukup tinggi karena hampir seluruh nilai mendekati 1.

31 Kesimpulan Dalam menentukan nilai prediksi suatu data time series dapat dilakukan dengan menggunakan beberapa metode. Untuk kasus ini, penulis mencoba menggunakan metode Gene Expression Programming (GEP). Pada tahap uji coba, data yang digunakan adalah data saham harian dan mingguan pada 3 perusahaan, yaitu saham ISAT, BTEL dan TLKM. Metode gene expression programming ini menghasilkan sebuah solusi matematika yang akan dijadikan sebuah model untuk memprediksi data yang diuji.

32 Kesimpulan (lanjutan)
Untuk tingkat akurasi prediksinya, bergantung pada nilai data yang diujikan. Solusi yang dihasilkan pada setiap ujicoba akan berbeda-beda, karena dipengaruhi oleh faktor random saat pembentukan kromosom awal. Solusi yang dihasilkan belum terlalu optimal karena pada aplikasi ini hanya melibatkan operator-operator matematika yang dasar. Pada ujicoba dapat dilihat bahwa semakin banyak data yang diuji oleh metode gene expression programming ini, maka semakin kecil pula kesalahan untuk membuat solusi dan model datanya.