Implementasi High Order Fuzzy Time Series Berdasarkan Pi-Sigma Neural Network (Studi Kasus: Estimasi Harga Penutupan IHSG)

Abstract

Indeks harga saham gabungan (IHSG) merupakan salah satu barometer penting dalam investasi, sehingga estimasi IHSG menjadi pertimbangan krusial dalam pengambilan keputusan investasi. Fuzzy time series (FTS) merupakan model berbasis machine learning dengan pendekatan data-driven yang dapat digunakan untuk estimasi data saham. Pi-Sigma neural network (PSNN) dikombinasikan pada pembentukan model FTS untuk meningkatkan performa dengan kompleksitas rendah, yang memungkinkan penyederhanaan dalam pengaturan parameter model. PSNN membutuhkan metode pembelajaran untuk melatih model, metode yang digunakan adalah particle swarm optimization. Pengaturan parameter model dilakukan melalui penyesuaian pada orde FTS dari 2 sampai 5 dengan kenaikan sebesar 1, orde PSNN dari 2 sampai 5 dengan kenaikan sebesar 1, serta panjang interval partisi (l) pada himpunan fuzzy dari 10 sampai 50 dengan kenaikan sebesar 10 untuk mendapatkan model terbaik selama proses pelatihan. Hasil pelatihan dan pengujian menunjukkan konsistensi yang baik pada model, tanpa adanya penurunan performa yang signifikan. Performa terbaik berdasarkan nilai RMSE dan MAPE didapatkan ketika orde FTS adalah 4, orde PSNN adalah 3, panjang interval (l) adalah 10, dengan nilai RMSE sebesar 55.3083 dan MAPE sebesar 0.6242 persen.

The Jakarta Composite Index (JCI) serves as a significant barometer in investments such that the estimation of JCI is a crucial consideration in investment decision-making. Fuzzy time series (FTS) is a data-driven machine learning model used for stock data estimation. To enhance performance of the model with low complexity and simplify parameter adjustments, Pi-Sigma neural network (PSNN) is integrated into the FTS model formation. PSNN requires a learning method to train the model, which employs particle swarm optimization. The parameter tuning of the model involves adjusting the FTS order from 2 to 5 with an increment of 1, the PSNN order from 2 to 5 with an increment of 1, and the length of fuzzy set partition (l) from 10 to 50 with an increment of 10 to obtain the optimal model during the training process. The training and testing result exhibits good consistency in the model, with no significant performance degradation. The best performance, based on RMSE and MAPE values, is achieved when the FTS order is 4, the PSNN order is 3, and the interval length (l) is 10, resulting in an RMSE value of 55.3083 and a MAPE value of 0.6242 percent.