Pencarian Metode Eliminasi Pencilan Terbaik Untuk Memperbaiki Kinerja Fuzzy Time Series Pada Peramalan Harga Saham Bursa Efek Indonesia

Tholaby Ms, Akhmad Tajuddin (2017) Pencarian Metode Eliminasi Pencilan Terbaik Untuk Memperbaiki Kinerja Fuzzy Time Series Pada Peramalan Harga Saham Bursa Efek Indonesia. Masters thesis, Institut Teknologi Sepuluh Nopember.

[img] Text
5113202007-Master Thesis.pdf - Published Version
Restricted to Repository staff only

Download (946kB) | Request a copy

Abstract

Metode peramalan Fuzzy Time Series (FTS) merupakan salah satu metode peramalan yang paling banyak digunakan terutama untuk mengolah data dengan tingkat variasi tinggi dan tidak linier terhadap waktu. Namun, peluang untuk mengembangkan dan memperbaiki kinerja peramalan dengan menggunakan metode FTS masih terbuka lebar. Kinerja suatu metode peramalan dapat dilihat dari distribusi kesalahannya. FTS tidak melihat dan tidak memilah jenis data masukan seperti apa yang akan di prosesnya menjadi suatu nilai peramalan, apakah data masukannya memiliki variasi kecil atau besar, atau memiliki data pencilan (outlier), semuanya diproses untuk menjadi nilai peramalan. Tentu saja jika data masukan memiliki pencilan, maka pencilan itu dapat merusak distribusi kesalahan sehingga dapat menjadikan kinerja peramalan menjadi tidak bagus. Salah satu upaya untuk meningkatkan kinerja peramalan FTS adalah dengan melakukan filterisasi data pencilan. Dalam penelitian ini dilakukan perbandingan hasil filterisasi pencilan dengan metode Cook’s distance, Leverage value, DFiTs dan Boxplot untuk meningkatkan kinerja peramalan FTS. Langkah berikutnya adalah melakukan observasi dan perhitungan untuk menentukan metode filterisasi pencilan yang paling baik untuk meningkatkan kinerja peramalan FTS, yaitu yang menghasilkan nilai kesalahan MSE dan MAPE paling kecil. Dari hasil penelitian dapat dilihat bahwa kinerja FTS yang menggunakan metode filterisasi DFiTs dan Cook’s Distance memberikan hasil peramalan yang lebih baik dibandingkan tanpa filterisasi pencilan. Pada uji coba 1 DFiTs menghasilkan distribusi kesalahan paling baik yaitu dengan nilai MSE 20,40701411 dan MAPE 2,4797393%. Sedangkan pada uji coba 2 Cook’s Distance menghasilkan distribusi kesalahan paling baik, yaitu dengan nilai MSE 23,92471475 dan MAPE 2,887437375%. ============================================================================================ Fuzzy time series (FTS) is one of forecasting methods that is usually used to compute high variation and time invariant data. The performance of FTS can be enhanced. The performance of FTS can be seen from the error distribution. FTS proceeds all kind of input data, low or high variance data, data with outlier and other. If there are outliers in data, then it will make the error distribution to become larger and the forecast performance becomes worse. One way that can enhance the performance of FTS is filtering the outliers before the forecast process. The methods that is used to identify outlier in this reserch are Cook's Distance, Leverage Value, DfFITS and Boxplot. After computing and finding outliers from the methods, then the next step is finding the lowest MSE and MAPE values that show the best outlier identifier method. The research results that DfFITS and Cook's Distance produce error distribution of forecast value better than without filtering of outliers. In the first observation, DfFITS produces the best error distribution with MSE 20,40701411 and MAPE 2,4797393%. While in the second observation, Cook’s Distance produces the best error distribution with MSE 23,92471475 and MAPE 2,887437375%.

Item Type: Thesis (Masters)
Uncontrolled Keywords: Fuzzy Time Series, pencilan, peramalan harga saham
Subjects: Q Science > QA Mathematics > QA278.2 Regression Analysis
Q Science > QA Mathematics > QA248_Fuzzy Sets
Divisions: Faculty of Information Technology > Informatics Engineering > (S2) Master Theses
Depositing User: Mr. Tondo Indra Nyata
Date Deposited: 31 May 2017 06:56
Last Modified: 18 Dec 2017 01:57
URI: http://repository.its.ac.id/id/eprint/41440

Actions (login required)

View Item View Item