Implementasi High Order Intuitionistic Fuzzy Time Series Pada Peramalan Indeks Harga Saham Gabungan

Abstrak

Indeks Harga Saham Gabungan (IHSG) adalah indeks yang mengukur kinerja harga semua saham yang terdaftar di Bursa Efek Indonesia (BEI). Pergerakan IHSG menjadi acuan para investor untuk menetapkan keputusan finansial yang berkaitan dengan untung rugi dalam berinvestasi. Oleh karenanya, informasi peramalan IHSG yang akurat sangat penting bagi para investor. Penelitian ini membahas penerapan metode High Order Intuitionistic Fuzzy Time Series (HOIFTS) dalam peramalan IHSG di BEI. Metode HOIFTS melibatkan tiga indikator, yaitu derajat keanggotaan, derajat non-keanggotaan, dan fungsi skor (indeks intutionistic) sehingga model yang dihasilkan mampu menangani ketidakpastian dalam data. Tahapan penting dalam pemodelan HOIFTS adalah pada intuitionistic fuzzification, penentuan relasi logika fuzzy intutionistic, dan proses intutionistic defuzzification order tinggi. Penelitian ini menetapkan metode Chen, baik order satu maupun order tinggi sebagai metode pembanding untuk melihat seberapa jauh keberhasilan metode HOIFTS dalam meramalkan data bulanan IHSG. Perbandingan nilai RMSE (root mean square error) dan MAPE (mean absolute percentage error) yang dihasilkan oleh model HOIFTS dan dua model benchmark, yaitu Chen order satu dan Chen order tinggi, menunjukkan bahwa metode HOIFTS memiliki nilai kesalahan yang paling kecil yakni nilai RMSE adalah sebesar 57,042 dan MAPE sebesar 0,837% pada data training, sedangkan pada data testing diperoleh nilai RMSE sebesar 38,466 dan MAPE sebesar 0,487%. Dengan demikian, metode HOIFTS lebih direkomendasikan dalam peramalan IHSG dibandingkan dua metode lain yang dibahas dalam penelitian ini.

Abstract

The Composite Stock Price Index (CSPI) is an index that measures the price performance of all shares listed on the Indonesia Stock Exchange (ISE). CSPI is a reference for investors to determine financial decisions related to profit and loss in investing. Therefore, accurate CSPI forecasting information is very important for investors.  This research discusses the application of the HOIFTS method in forecasting CSPI on the ISE. The HOIFTS method involves three indicators, namely degree of membership, degree of non-membership, and a score function (intuitionistic index) so that the resulting model is able to handle uncertainty in the data. Important stages in HOIFTS modeling are intuitionistic fuzzification, determination of intuitionistic fuzzy logic relations, and the intuitionistic higher order defuzzification process. This research determines the Chen method, both first order and high order as a comparison method to see how successful the HOIFTS method is in predicting monthly CSPI data. The comparison results of the RMSE (root mean square error) and MAPE (mean absolute percentage error) values ​​produced by the HOIFTS and two benchmark models, i.e., the first order Chen’s and high-order Chen’s, show that the HOIFTS method yields the smallest error value, namely the RMSE value is 57.042 and the MAPE is 0.837% on the training data, whereas in testing data obtained an RMSE value of 38.466 and a MAPE of 0.487%. Thus, the HOIFTS method is more recommended in forecasting CSPI compared to the other two methods discussed in this research.