peramalan indeks harga saham gabungan...

Click here to load reader

Post on 16-Feb-2018

220 views

Category:

Documents

3 download

Embed Size (px)

TRANSCRIPT

  • SIDANG TUGAS AKHIR

    PERAMALAN INDEKS HARGA SAHAM GABUNGANDENGAN MENGGUNAKAN METODE ADAPTIVE

    NEURO-FUZZY INFERENCE SYSTEM

    Oleh:Ranny Kumala Dewi

    5105 100 113

    Dosen pembimbingDr.Ir.Joko Lianto Buliali,M.Sc

    JURUSAN TEKNIK INFORMATIKAFAKULTAS TEKNOLOGI INFORMASI

    INSTITUT TEKNOLOGI SEPULUH NOVEMBER SURABAYA2010

    Oleh:Ranny Kumala Dewi

    5105 100 113

    Dosen pembimbingDr.Ir.Joko Lianto Buliali,M.Sc

    JURUSAN TEKNIK INFORMATIKAFAKULTAS TEKNOLOGI INFORMASI

    INSTITUT TEKNOLOGI SEPULUH NOVEMBER SURABAYA2010

  • BAB IPendahuluan Indeks harga saham merupakan salah satu indikator yang

    menunjukkan pergerakan harga saham. Indeks berfungsi sebagaiindikator kecenderungan pasar ke tingkatan tertentu, apakahcenderung naik atau cenderung turun berdasarkan satu jangkauanwaktu tertentu.

    Pergerakan indeks harga saham juga merupakan tolok ukur apakahpasar sedang lesu atau sedang aktif. Hal ini akan mempengaruhikeputusan investor apakah mereka akan menjual, menahan ataumembeli suatu saham atau beberapa saham tertentu.

    Peramalan atau prediksi sangat diperlukan untuk memantaupergerakan indeks harga saham yang akan datang. Sehinggainvestor mempunyai pertimbangan yang lebih kuat dengan adanyaprediksi ini.

    Salah satu metode dari teknik kecerdasan buatan yang telah dapatmembuat suatu terobosan untuk peramalan atau prediksi adalahmetode Adapative Neuro-Fuzzy Inference System atau ANFIS

    Indeks harga saham merupakan salah satu indikator yangmenunjukkan pergerakan harga saham. Indeks berfungsi sebagaiindikator kecenderungan pasar ke tingkatan tertentu, apakahcenderung naik atau cenderung turun berdasarkan satu jangkauanwaktu tertentu.

    Pergerakan indeks harga saham juga merupakan tolok ukur apakahpasar sedang lesu atau sedang aktif. Hal ini akan mempengaruhikeputusan investor apakah mereka akan menjual, menahan ataumembeli suatu saham atau beberapa saham tertentu.

    Peramalan atau prediksi sangat diperlukan untuk memantaupergerakan indeks harga saham yang akan datang. Sehinggainvestor mempunyai pertimbangan yang lebih kuat dengan adanyaprediksi ini.

    Salah satu metode dari teknik kecerdasan buatan yang telah dapatmembuat suatu terobosan untuk peramalan atau prediksi adalahmetode Adapative Neuro-Fuzzy Inference System atau ANFIS

  • Perumusan Masalah

    Permasalahan dalam tugas akhir ini terbagi atas 3(tiga) bagian yaitu:

    Bagaimana menerapkan algoritma ANFIS sebagai metodeperhitungan untuk peramalan indeks harga saham denganmenggunakan MATLAB.

    Bagaimana mengolah data-data pelatihan dan data-datapengujian agar dapat diproses oleh algoritma ANFIS.

    Bagaimana memperoleh hasil pelatihan terbaik denganberdasarkan indikator target error yang terbaik.

    Perumusan Masalah

    Permasalahan dalam tugas akhir ini terbagi atas 3(tiga) bagian yaitu:

    Bagaimana menerapkan algoritma ANFIS sebagai metodeperhitungan untuk peramalan indeks harga saham denganmenggunakan MATLAB.

    Bagaimana mengolah data-data pelatihan dan data-datapengujian agar dapat diproses oleh algoritma ANFIS.

    Bagaimana memperoleh hasil pelatihan terbaik denganberdasarkan indikator target error yang terbaik.

  • Batasan Masalah

    Sejumlah permasalahan yang dibahas dalam usulan tugas akhir iniakan dibatasi ruang lingkup pembahasannya, antara lain:

    Data-data masukan berupa indeks harga saham per bulanselama periode tahun 2001 sampai dengan 2 Juni tahun2010.

    Algoritma yang digunakan sebagai mekanisme peramalanadalah ANFIS (Adaptive Neuro-Fuzzy Inference System)dengan fungsi keanggotaan Gaussian (gaussmf).

    Penerapan algoritma ANFIS dalam bentuk programmenggunakan MATLAB.

    Batasan Masalah

    Sejumlah permasalahan yang dibahas dalam usulan tugas akhir iniakan dibatasi ruang lingkup pembahasannya, antara lain:

    Data-data masukan berupa indeks harga saham per bulanselama periode tahun 2001 sampai dengan 2 Juni tahun2010.

    Algoritma yang digunakan sebagai mekanisme peramalanadalah ANFIS (Adaptive Neuro-Fuzzy Inference System)dengan fungsi keanggotaan Gaussian (gaussmf).

    Penerapan algoritma ANFIS dalam bentuk programmenggunakan MATLAB.

  • Tujuan

    Tujuan yang akan dicapai dari tugas akhir inimembuat aplikasi atau program computerdengan menggunakan MATLAB sebagaiimplementasi peramalan indeks harga sahamdengan algoritma ANFIS. Dari penerapantersebut diharapkan akan diperolehpemahaman bagaimana mekanismeperamalan tersebut dapat dilakukan denganalgoritma ANFIS.

    Tujuan

    Tujuan yang akan dicapai dari tugas akhir inimembuat aplikasi atau program computerdengan menggunakan MATLAB sebagaiimplementasi peramalan indeks harga sahamdengan algoritma ANFIS. Dari penerapantersebut diharapkan akan diperolehpemahaman bagaimana mekanismeperamalan tersebut dapat dilakukan denganalgoritma ANFIS.

  • Manfaat dari tugas akhir ini adalah

    1. Penelitian ini bermanfaat secara umum bagi para praktisifinancial, pelaku pasar modal, selain dapat digunakan sebagaialternatif solusi mekanisme prediksi harga saham, juga dapatdigunakan sebagai acuan untuk pengembangan lebih lanjutmengenai teknik peramalan.

    2. Bagi peneliti sendiri selain sebagai salah satu syaratpenyelesaian studi strata satu, juga sebagai penerapan mataperkuliahan yang pernah dipelajari yaitu kecerdasan buatan.

    Manfaat dari tugas akhir ini adalah

    1. Penelitian ini bermanfaat secara umum bagi para praktisifinancial, pelaku pasar modal, selain dapat digunakan sebagaialternatif solusi mekanisme prediksi harga saham, juga dapatdigunakan sebagai acuan untuk pengembangan lebih lanjutmengenai teknik peramalan.

    2. Bagi peneliti sendiri selain sebagai salah satu syaratpenyelesaian studi strata satu, juga sebagai penerapan mataperkuliahan yang pernah dipelajari yaitu kecerdasan buatan.

  • BAB IILANDASAN TEORI

    Saham adalah satuan nilai atau pembukuan dalam berbagai instrumen finansial yang mengacupada bagian kepemilikan sebuah perusahaan. Dengan menerbitkan saham, memungkinkanperusahaan-perusahaan yang membutuhkan pendanaan jangka panjang untuk 'menjual'kepentingan dalam bisnis - saham (efek ekuitas) - dengan imbalan uang tunai.

    Indeks harga saham adalah indikator atau cerminan pergerakan harga saham. Indeks merupakansalah satu pedoman bagi investor untuk melakukan investasi di pasar modal, khususnya saham.

    Dasar perhitungan IHSG adalah jumlah Nilai Pasar dari total saham yang tercatat pada tanggal10 Agustus 1982. Jumlah Nilai Pasar adalah total perkalian setiap saham tercatat (kecuali untukperusahaan yang berada dalam program restrukturisasi) dengan harga di BEJ pada hari tersebut.Formula perhitungan IHSG adalah :

    Harga saham yang digunakan untuk menghitung IHSG adalah harga saham di pasar reguler yangdidasarkan pada harga yang terjadi berdasarkan sistem lelang. Formula untuk menghitung NilaiDasar adalah :

    BAB IILANDASAN TEORI

    Saham adalah satuan nilai atau pembukuan dalam berbagai instrumen finansial yang mengacupada bagian kepemilikan sebuah perusahaan. Dengan menerbitkan saham, memungkinkanperusahaan-perusahaan yang membutuhkan pendanaan jangka panjang untuk 'menjual'kepentingan dalam bisnis - saham (efek ekuitas) - dengan imbalan uang tunai.

    Indeks harga saham adalah indikator atau cerminan pergerakan harga saham. Indeks merupakansalah satu pedoman bagi investor untuk melakukan investasi di pasar modal, khususnya saham.

    Dasar perhitungan IHSG adalah jumlah Nilai Pasar dari total saham yang tercatat pada tanggal10 Agustus 1982. Jumlah Nilai Pasar adalah total perkalian setiap saham tercatat (kecuali untukperusahaan yang berada dalam program restrukturisasi) dengan harga di BEJ pada hari tersebut.Formula perhitungan IHSG adalah :

    Harga saham yang digunakan untuk menghitung IHSG adalah harga saham di pasar reguler yangdidasarkan pada harga yang terjadi berdasarkan sistem lelang. Formula untuk menghitung NilaiDasar adalah :

    100

    _

    __arg

    DasarNilai

    SahamJumlahPenutupanaHIHSG

    LamaNilaiDasarLamaNilaiPasar

    BaruNilaiPasarLamaNilaiPasarBaruNilaiDasar

  • LANDASAN TEORI (Lanjutan)

    Untuk memprediksi indeks harga saham di masa yang akan datangmenggunakan analisis teknikal, yang dibutuhkan adalah data-dataindeks harga saham di waktu sebelumnya. Data-data tersebutmerupakan data time-series yang diurutkan berdasarkan waktudalam interval waktu yang sama. Analisa teknikal antara lain :

    1. Moving Average (MA)2. Moving Average Convergence Divergence (MACD)3. Relative Strength Index (RSI)4. Stochastic Oscillator (SO)

    LANDASAN TEORI (Lanjutan)

    Untuk memprediksi indeks harga saham di masa yang akan datangmenggunakan analisis teknikal, yang dibutuhkan adalah data-dataindeks harga saham di waktu sebelumnya. Data-data tersebutmerupakan data time-series yang diurutkan berdasarkan waktudalam interval waktu yang sama. Analisa teknikal antara lain :

    1. Moving Average (MA)2. Moving Average Convergence Divergence (MACD)3. Relative Strength Index (RSI)4. Stochastic Oscillator (SO)

  • LANDASAN TEORI (Lanjutan)

    Moving Average (MA)

    Moving average merupakan analisis teknikal yang paling umum dipakai.Terdapat dua jenis untuk analisa teknikal moving average, yaitu: Simple MovingAverage (SMA) dan Exponential Moving Average (EMA).

    dimana:Ft-1 adalah nilai prediksi sebelumnyaAt-1 adalah nilai aktual sebelumnya

    adalah konstantan penghalusan denganjangkauan antara 0 dan 1.

    Moving Average (MA)

    Moving average merupakan analisis teknikal yang paling umum dipakai.Terdapat dua jenis untuk analisa teknikal moving average, yaitu: Simple MovingAverage (SMA) dan Exponential Moving Average (EMA).

    dimana:Ft-1 adalah nilai prediksi sebelumnyaAt-1 adalah nilai aktual sebelumnya

    adalah konstantan penghalusan denganjangkauan antara 0 dan 1.

    111 tttt FAFF

  • LANDASAN TEORI (Lanjutan)

    Moving Average Convergence Divergence (MACD)

    MACD secara garis besar menggunakan EMA dalam perhitungannya.EMA terdiri dari tiga bagian yaitu: trigger line, center line, dan MACDline.

    MACD = EMA12 EMA26Signal (trigger line) = EMA9

    Histogram = MACD Signal

    Moving Average Convergence Divergence (MACD)

    MACD secara garis besar menggunakan EMA dalam perhitungannya.EMA terdiri dari tiga bagian yaitu: trigger line, center line, dan MACDline.

    MACD = EMA12 EMA26Signal (trigger line) = EMA9

    Histogram = MACD Signal

  • LANDASAN TEORI (Lanjutan)Relative Strength Index (RSI)RSI merupakan salah satu indikator yang menunjukkankekuatan harga dengan membandingkan upward dandownward dari harga penutupan.

    dimana:U adalah upward harga penutupanD adalah downward harga penutupanEMAn adalah EMA periode nRSI bernilai antara 0 dan 100

    Relative Strength Index (RSI)RSI merupakan salah satu indikator yang menunjukkankekuatan harga dengan membandingkan upward dandownward dari harga penutupan.

    dimana:U adalah upward harga penutupanD adalah downward harga penutupanEMAn adalah EMA periode nRSI bernilai antara 0 dan 100

    100*dariDEMAdariUEMA

    dariUEMARSI

    nn

    n

  • LANDASAN TEORI (Lanjutan)

    Stochastic Oscillator (SO)

    SO digunakan untuk menunjukkan posisi closing relative terhadapjangkauan transaksi dalam suatu periode tertentu. Pada dasarnyaindikator ini digunakan untuk mengukur kekuatan relative harga terakhirterhadap selang harga tertinggi dan terrendahnya selama selang periodetertentu. SO terdiri dari dua garis yaitu %K dan %D. Inti dari indikator ini adalah%K, sedangkan %D adalah SMA dari %K. Berikut ini adalah rumus dari SO:

    %D = SMA3dari%K

    Stochastic Oscillator (SO)

    SO digunakan untuk menunjukkan posisi closing relative terhadapjangkauan transaksi dalam suatu periode tertentu. Pada dasarnyaindikator ini digunakan untuk mengukur kekuatan relative harga terakhirterhadap selang harga tertinggi dan terrendahnya selama selang periodetertentu. SO terdiri dari dua garis yaitu %K dan %D. Inti dari indikator ini adalah%K, sedangkan %D adalah SMA dari %K. Berikut ini adalah rumus dari SO:

    %D = SMA3dari%K

    100*1

    %LnHn

    LnCPK

  • LANDASAN TEORI (Lanjutan)

    Adaptive Neuro Fuzzy Inferrence System (ANFIS)

    Adaptive neuro fuzzy inferrence system (ANFIS) merupakan jaringanadaptif yang berbasis pada sistem kesimpulan fuzzy (fuzzy inferencesystem). Dengan penggunaan suatu prosedur hybrid learning, ANFISdapat membangun suatu mapping input-output yang keduanyaberdasarkan pada pengetahuan manusia (pada bentuk aturan fuzzy if-then) dengan fungsi keanggotaan yang tepat.

    Adaptive Neuro Fuzzy Inferrence System (ANFIS)

    Adaptive neuro fuzzy inferrence system (ANFIS) merupakan jaringanadaptif yang berbasis pada sistem kesimpulan fuzzy (fuzzy inferencesystem). Dengan penggunaan suatu prosedur hybrid learning, ANFISdapat membangun suatu mapping input-output yang keduanyaberdasarkan pada pengetahuan manusia (pada bentuk aturan fuzzy if-then) dengan fungsi keanggotaan yang tepat.

  • LANDASAN TEORI (Lanjutan)

    Sistem Kesimpulan FuzzyPada dasarnya suatu sistem kesimpulan fuzzy terdiri atas 5 (lima) blokfungsional (blok diagram fuzzy inference system digambarkan padagambar dibawah:

    Sistem Kesimpulan FuzzyPada dasarnya suatu sistem kesimpulan fuzzy terdiri atas 5 (lima) blokfungsional (blok diagram fuzzy inference system digambarkan padagambar dibawah:

  • Arsitektur ANFIS

    LANDASAN TEORI (Lanjutan)

  • LANDASAN TEORI (Lanjutan)

    Time series dan prediksi IHSG

    Dalam indek harga saham gabungang dapat digolongkan sebagai ata timeseries karena terdiri dari barisan nilai-nilai dalam deret waktu. Suatu data timeseries dapat dinotasikan secara sederhana sebagai berikut:

    y = h(t)

    dimana y dapat merupakan sebagai variable nilai tunggal yang dibangun dalamwaktu t dan dalam hal ini y adalah nilai dari indek harga saham gabungan.Untuk meramalkan data time series, perlu diketahui nilai histori (nilai-nilai masalalu) dari h dan mengekstapolasinya untuk meramalkan nilai masa yang akandating. Karakteristik dari moel peramalan adalah sisitem nonlinear.Dalam tugasakhir ini dilakukan uji coba untuk memprediksi indek harga saham gabungandengan ANFIS.

    Time series dan prediksi IHSG

    Dalam indek harga saham gabungang dapat digolongkan sebagai ata timeseries karena terdiri dari barisan nilai-nilai dalam deret waktu. Suatu data timeseries dapat dinotasikan secara sederhana sebagai berikut:

    y = h(t)

    dimana y dapat merupakan sebagai variable nilai tunggal yang dibangun dalamwaktu t dan dalam hal ini y adalah nilai dari indek harga saham gabungan.Untuk meramalkan data time series, perlu diketahui nilai histori (nilai-nilai masalalu) dari h dan mengekstapolasinya untuk meramalkan nilai masa yang akandating. Karakteristik dari moel peramalan adalah sisitem nonlinear.Dalam tugasakhir ini dilakukan uji coba untuk memprediksi indek harga saham gabungandengan ANFIS.

  • BAB III

    METODE PENELITIAN Pada tugas akhir ini, ANFIS diterapkan untuk melakukan prediksi indek harga saham gabungan.

    Sebagai studi kasus, data time series yang digunakan dalam prediksi adalah data indek hargasaham gabungan di bursa efek Indonesia. ANFIS ditujukan untuk memprediksi h(t) menggunakann kandidat inpu h(t-1), h(t-2), h(t-3), . . ., h(t-n).

    Secara umum, dalam pemodelan ANFIS terdapat dua fase, yaitu identifikasi struktur danidentifikasi parameter.

    Gambar : diagram alir sistem

    Pada tugas akhir ini, ANFIS diterapkan untuk melakukan prediksi indek harga saham gabungan.Sebagai studi kasus, data time series yang digunakan dalam prediksi adalah data indek hargasaham gabungan di bursa efek Indonesia. ANFIS ditujukan untuk memprediksi h(t) menggunakann kandidat inpu h(t-1), h(t-2), h(t-3), . . ., h(t-n).

    Secara umum, dalam pemodelan ANFIS terdapat dua fase, yaitu identifikasi struktur danidentifikasi parameter.

    Gambar : diagram alir sistem

  • BAB IVANALISIS DAN PEMBAHASAN

    Proses Training

    (a) Epoch 100 (b) epoch 150 (c)epoch 200

    Proses Training

    (a) Epoch 100 (b) epoch 150 (c)epoch 200

  • Proses Testing(untuk tahun 2001-2010(2juni))

    (a) Epoch 100

    (c) epoch 200

    (b) Epoch 150

    Proses Testing(untuk tahun 2001-2010(2juni))

    (a) Epoch 100

    (c) epoch 200

    (b) Epoch 150

  • proses forcasting (peramalan) Data stabil tahun 2006 awal

    Data tidak stabil tahun 2010 awal

    Lebih detail link bisa dilihat dari matlabGUI

    proses forcasting (peramalan) Data stabil tahun 2006 awal

    Data tidak stabil tahun 2010 awal

    Lebih detail link bisa dilihat dari matlabGUI

  • Kesimpulan dan SaranKesimpulanDari uji coba yang telah dilakukan dalam implementasi metode ANFIS

    dengan MATLAB untuk proses peramalan didapatkan simpulansebagai berikut :

    1. Pada proses Training dalam metode ANFIS dapat dilihat bahwasemakin besar nilai Epoch maka nilai error yang diperoleh semakinkecil.

    2. Pada proses Testing dalam metode ANFIS dapat dilihat bahwa datahasil testing identik dengan data yang sebenarnya.

    3. Proses Forecasting menunjukkan bahwa dengan data yangfluktuasinya cenderung stabil diperoleh hasil peramalan yangmendekati data sebenarnya, sedangkan dengan kondisi data yangcenderung kurang stabil karena faktor faktor tertentu diperoleh hasilperamalan yang kurang begitu akurat.

    4. Apabila hasil peramalan yang diinginkan akurat atau mendekati datayang sebenarnya, diperlukan data yang stabil pada jangka waktutertentu.

    KesimpulanDari uji coba yang telah dilakukan dalam implementasi metode ANFIS

    dengan MATLAB untuk proses peramalan didapatkan simpulansebagai berikut :

    1. Pada proses Training dalam metode ANFIS dapat dilihat bahwasemakin besar nilai Epoch maka nilai error yang diperoleh semakinkecil.

    2. Pada proses Testing dalam metode ANFIS dapat dilihat bahwa datahasil testing identik dengan data yang sebenarnya.

    3. Proses Forecasting menunjukkan bahwa dengan data yangfluktuasinya cenderung stabil diperoleh hasil peramalan yangmendekati data sebenarnya, sedangkan dengan kondisi data yangcenderung kurang stabil karena faktor faktor tertentu diperoleh hasilperamalan yang kurang begitu akurat.

    4. Apabila hasil peramalan yang diinginkan akurat atau mendekati datayang sebenarnya, diperlukan data yang stabil pada jangka waktutertentu.

  • SaranBerikut ini adalah beberapa pertimbangan yang dapat dipakai untukpengembangan dan penelitian kedepan

    1.Metode anfis dengan Matlab GUI dengan mengunakan nilai iterasibesar akan membuat proses running program berjalan agak lamasehingga gunakan iterasi yang cukup karena data hasil anfis tidakterpaut jauh.2. Pada tugas akhir ini perubahan data ishg pada kondisi krisismoneter mempengaruhi kestabilan data sehingga akurasi kurangbegitu baik .maka pakailah data inputan pada kondisi yang stabil. 3. Jika memungkinkan dalam penelitian dan pengembanganselanjutnya, dibangun sotware yang utuh yang dilengkapi denganaksesoris tambahan sehingga menjadi softwer rujukan para pelakuperekonomian atau instansi terkait untuk mengatur stabilitas ISHGpada kondisi apapun.

    SaranBerikut ini adalah beberapa pertimbangan yang dapat dipakai untukpengembangan dan penelitian kedepan

    1.Metode anfis dengan Matlab GUI dengan mengunakan nilai iterasibesar akan membuat proses running program berjalan agak lamasehingga gunakan iterasi yang cukup karena data hasil anfis tidakterpaut jauh.2. Pada tugas akhir ini perubahan data ishg pada kondisi krisismoneter mempengaruhi kestabilan data sehingga akurasi kurangbegitu baik .maka pakailah data inputan pada kondisi yang stabil. 3. Jika memungkinkan dalam penelitian dan pengembanganselanjutnya, dibangun sotware yang utuh yang dilengkapi denganaksesoris tambahan sehingga menjadi softwer rujukan para pelakuperekonomian atau instansi terkait untuk mengatur stabilitas ISHGpada kondisi apapun.

  • DAFTAR PUSTAKA

    [1] Abraham. A., Nath, B. and Nath, M (2001). A Neuro-Fuzzy Approach forForecasting Electricity Demand in Victoria. Applied Soft Computing Journal,ElsevierScience, 127-138.

    [2] Jang Jyh Shing, Roger, Sun, Chuen-Tsai,Mizutani, Eiji, Neuro Fuzzy and SoftComputing:Computational Approach to lerning and Machine Intelligence, PrenticeHall International, 1987

    [3] Lin C.T and Lee, A neuro-fuzzy Synergism to Intelligent System, Prentice HallInternational.Inc., 1996.

    [4] Jang, J.-S. R. 1993. ANFIS: Adaptive-networkbased fuzzy inference systems,IEEE Trans. On Systems, Man and Cybernetics, 23(03):665-685.

    [5] G. Atsalakis, Ucenic Time series prediction of water consumption using neuro-fuzzy (ANFIS) approach. Fariza Arna. M.Kom., Tesis Hybrid Algorithma GenetikaSimulated Annealing untuk peramalan Data Time series Program Pasca SarjanaInstitut Teknologi Sepuluh Nopember Surabaya, Juli 2003.

    [6] Dwiyanti, Vonny. Wawasan Bursa Saham. Edisi pertama. Yogyakarta: AndiOffset, 1999. Sugeno, M. (1985).

    [7] Industrial Applications of Fuzzy Control, Elsevier Science Publication Company. [8] LiMin Fu (1994), Neural Networks In Computer Intelligence, McGraw Hill

    International Editions [9] Mohammad Jamshidi, Nader Vadiee, dan Timothy J. Ross (1993), Fuzzy Logic

    and Control (Software and Hardware Applications Volume 2), Prentice Hall [10] Thomas Sri Widodo (2005), Sistem Neuro Fuzzy Untuk pengolahan informasi,

    pemodelan, dan kendali, Penerbit Graha Ilmu Yogyakarta [11] http://www.idx.co.id/MainMenu/Education /IndeksHargaSahamObligasi/tabid/195/lang/id ID/language/id-ID/Default.as px

    DAFTAR PUSTAKA

    [1] Abraham. A., Nath, B. and Nath, M (2001). A Neuro-Fuzzy Approach forForecasting Electricity Demand in Victoria. Applied Soft Computing Journal,ElsevierScience, 127-138.

    [2] Jang Jyh Shing, Roger, Sun, Chuen-Tsai,Mizutani, Eiji, Neuro Fuzzy and SoftComputing:Computational Approach to lerning and Machine Intelligence, PrenticeHall International, 1987

    [3] Lin C.T and Lee, A neuro-fuzzy Synergism to Intelligent System, Prentice HallInternational.Inc., 1996.

    [4] Jang, J.-S. R. 1993. ANFIS: Adaptive-networkbased fuzzy inference systems,IEEE Trans. On Systems, Man and Cybernetics, 23(03):665-685.

    [5] G. Atsalakis, Ucenic Time series prediction of water consumption using neuro-fuzzy (ANFIS) approach. Fariza Arna. M.Kom., Tesis Hybrid Algorithma GenetikaSimulated Annealing untuk peramalan Data Time series Program Pasca SarjanaInstitut Teknologi Sepuluh Nopember Surabaya, Juli 2003.

    [6] Dwiyanti, Vonny. Wawasan Bursa Saham. Edisi pertama. Yogyakarta: AndiOffset, 1999. Sugeno, M. (1985).

    [7] Industrial Applications of Fuzzy Control, Elsevier Science Publication Company. [8] LiMin Fu (1994), Neural Networks In Computer Intelligence, McGraw Hill

    International Editions [9] Mohammad Jamshidi, Nader Vadiee, dan Timothy J. Ross (1993), Fuzzy Logic

    and Control (Software and Hardware Applications Volume 2), Prentice Hall [10] Thomas Sri Widodo (2005), Sistem Neuro Fuzzy Untuk pengolahan informasi,

    pemodelan, dan kendali, Penerbit Graha Ilmu Yogyakarta [11] http://www.idx.co.id/MainMenu/Education /IndeksHargaSahamObligasi/tabid/195/lang/id ID/language/id-ID/Default.as px

    http://www.idx.co.id/MainMenu/Educationhttp://www.idx.co.id/MainMenu/Education