+ ∆v ij - BINUS University

PERANCANGAN PROGRAM APLIKASI
BERBASIS WEB MENGGUNAKAN METODE
BACKPROPAGATION UNTUK MEMPREDIKSI
HARGA SAHAM
Ivan David
[email protected]
Rojali, S.Si., M.Si.,
Haryono Soeparno, Ir., M.Sc., DR
Abstrak
TujuanPenelitian,ialah untuk memberikan keputusan yang terbaik kepada para investor
dalam mengambil keputusan investasi pembelian saham. Saham memiliki karakteristik high
risk - high return, artinya saham memungkinkan investor mendapatkan keuntungan (capital
gain) dalam jumlah besar dalam waktu singkat, tetapi saham juga dapat membuat investor
mengalami kerugian besar dalam waktu singkat. Untuk itu investor membutuhkan alat
prediksi yang dapat membantunya dalam mengambil keputusan investasi pembelian saham.
Metode penelitian menggunakan Jaringan Syaraf Tiruan dengan metode Backpropagation.
Analisis data harga saham pada hari – hari sebelumnya merupakan alat yang tepat untuk
memprediksi harga saham di hari – hari selanjutnya. Hasil yang dicapai yaitu dengan
algoritma backpropagation harga saham pada hari selanjutnya dapat diprediksi dengan
akurat. Simpulan dari penulisan ini yaitu dengan target error yang telah ditentukan penulis,
harga saham yang memiliki rentang high dan low yang tidak terlalu jauh memiliki hasil
prediksi harga saham yang lebih akurat. I.D
Kata Kunci: JaringanSyarafTiruan, Backpropagation, Investasi, Saham
Abstract
The main purpose of this dissertation is to provide the best possible decision for the investors
to make investment decisions stock purchase. Shares have the characteristics of high riskhigh return, meaning stocks allow investors to get profits (capital gains) in large quantities in
a short time, but it can also make stock investors suffered heavy losses in a short time. For
that investors need a predictive tool that can help in the purchase of shares of an investment
decision. Dissertation methods using Artificial Neural Network with Backpropagation
method. Analysis of the data on the share price the day before an appropriate tool for
predicting stock prices in the days that followed. The results achieved with the
backpropagation algorithm on the stock price can then be predicted accurately. The
conclusions of this dissertation is to error predetermined targets writer, whose stock price
has a high and low range is not too far away has a stock price prediction results more
accurate.I.D
Keyword: Artificial Neural Network, Backpropagation, Investment, Stock
PENDAHULUAN
Pada saat ini peran pasar modal dalam perekonomian Indonesia mulai melembaga. Pembelian saham
menjadi salah satu pilihan modal yang sah, selain bentuk modal lainnya seperti uang, tanah, dan emas. Implikasi
dari adanya pilihan saham sebagai salah satu pilihan investasi, baik itu jangka panjang maupun jangka pendek,
mempunyai arti yang luas karena harga saham berbeda dengan uang. Harga saham merupakan suatu masalah
yang sangat penting bagi perusahaan karena mencerminkan citra perusahaan di masyarakat. Jika harga saham di
perusahaan baik maka dapat dikatakan bahwa citra perusahaan baik. Harga saham suatu perusahaan
menunjukkan nilai penyertaan dalam perusahaan. Pada pasar modal yang sempurna dan efisien, harga saham
mencerminkan semua informasi yang tersedia secara umum dibursa maupun informasi yang hanya dapat
diperoleh dari golongan-golongan tertentu. Tinggi rendahnya harga saham dapat dipengaruhi oleh banya kfaktor
seperti kondisi dan kinerja perusahaan, resiko dividen, tingkat suku bunga, kondisi perekonomian,
kebijaksanaan pemerintah, laju inflasi, penawaran dan permintaan serta masih banyak faktor lainnya. Karena
dimungkinkan adanya perubahan faktor-faktor di atas, harga saham dapat naik atau turun. Prediksi harga akan
sangat bermanfaat bagi investor untuk dapat melihat bagaimana prospek investasi saham sebuah perusahaan di
masa datang. Prediksi harga saham dapat mengantisipasi naik turunnya harga saham. Dengan adanya prediksi,
sangat membantu para investor di dalam pengambilan keputusan.
Terdapat dua metode yang dapat digunakan dalam implementasi prediksi yaitu metode konvensional
dan Jaringan Syaraf Tiruan (JST). Metode konvensional berhubungan dengan pengidentifikasian dan
pemodelan. Pengidentifikasian melakukan pengamatan besaran yang keluar dari proses untuk masukan yang
telah diketahui sebelumnya. Sedangkan pemodelan memerlukan suatu aturan yang menjelaskan tingkah laku
dari proses tersebut. Model dapat berupa gambar, warna, persamaan matematis dan sebagainya. Untuk
keperluan prediksi, model matematis lebih diinginkan daripada model-model lainnya. Seringkali model
matematis dari suatu masalah sangat sukar untuk dibuat dan yang ada hanya data. Seperti halnya model fungsi
perubahan harga saham sangat sulit untuk diketahui. Jaringan Syaraf Tiruan tidak memerlukan model matematis
tetapi data dari masalah yang akan diselesaikan. Informasi disampaikan melalui data, dan Jaringan Syaraf
Tiruan (JST) menyaring informasi tersebut melalui pelatihan.Oleh karena itu, Jaringan Syaraf Tiruan sangat
tepat untuk menyelesaikan masalah prediksi harga saham.
Prediksi harga saham dapat dilakukan dengan pendekatan analisis fundamental dan analisis teknikal.
Prediksi yang akan dibahas disini adalah melalui pendekatan analisis teknikal dengan menggunakan Jaringan
Syaraf Tiruan (JST). Jaringan Syaraf Tiruan mempelajari nilai harga saham yang lalu untuk memperoleh nilai
bobot koneksi yang optimum dan menggunakan nilai bobot tersebut sebagai pengetahuan untuk menentukan
harga saham mendatang.Untuk dapat menyelesaikan suatu permasalahan, Jaringan Syaraf Tiruan memerlukan
algoritma pembelajaran. Metode pembelajaran yang akan digunakan untuk memprediksi harga saham adalah
Supervised Learning dengan algoritma Backpropagation. Dengan algoritma ini, jaringan-jaringan dapat dilatih
dengan menggunakan data harga saham dari situasi sebelumnya, menggolongkannya dan menyesuaikan bobot
penghubung dalam jaringan sebagai input baru dan meramalkan harga saham berikutnya.
Tujuan yang hendak dicapai pada penulisan skripsi ini adalah
a.
Menerapkan metode backpropagation untuk memprediksi harga saham.
b.
Menentukan harga saham pada hari selanjutnya.
c.
Memberikan hasil prediksi yang terbaik, agar para investor dapat menggunakan aplikasi web ini
dalam mempertimbangkan pembelian atau penjualan sebuah saham.
METODE PENELITIAN
Menurut Agus Kretarto (2001:63-67) dalam rangka penilaian atas perusahaan dan memprediksi
harga sahamnya, biasanya analisis menggunakan dua jenis analisis, yaitu analisis fundamental dan analisis
teknikal.
Analisis teknikal digunakan untuk memprediksi fluktuasi harga saham atas dasar data historis hargaharga saham, volume perdagangan dan faktor-faktor lain, seperti tinggi atau rendahnya perdagangan serta
luasnya pasar dan Indeks Harga Saham Gabungan (IHSG). Analisis yang menggunakan pendekatan ini lebih
dilatarbelakangi oleh logika permintaan dan penawaran yang mempengaruhi harga saham.Sementara faktorfaktor yang menyebabkan perubahan permintaan dan penawaran seperti faktor lingkungan usaha (ekonomi,
politik dan stabilitas keamanan nasional), maupun kinerja perusahaan kurang diperhatikan oleh analisis teknikal.
Harga saham akan berubah-ubah sesuai dengan permintaan dan penawaran. Pergerakan harga saham baik secara
individual maupun keseluruhan biasanya cenderung mengikuti suatu pola tertentu sehingga dapat dikenali.
Dengan demikian, para analisis teknikal akan memprediksi harga saham menurut pola yang sudah dikenali
sebelumnya.
Ada dua alat yang dapat digunakan untuk melakukan analisis teknikal, yaitu dengan menggunakan
grafik atau dengan persamaan matematis yang lalu dituangkan kedalam grafik. Analisis teknikal sering disebut
chartist karena teknik ini menggunakan grafik-grafik dan diagram-diagram untuk memprediksi kinerja saham.
Grafik dan diagram itu dimaksudkan untuk memprediksi kinerja saham.
Perambatan yang akan menjumlahkan nilai-nilai semua bobot yang datang. Hasil penjumlahan ini
kemudian dibandingkan dengan nilai ambang (threshold) tertentu melalui fungsi aktivasi setiap neuron. Apabila
input melewati suatu nilai ambang tertentu, maka neuron akan diaktifkan, tapi jika tidak maka neuron tidak akan
diaktifkan. Apabila neuron diaktifkan, maka neuron akan mengirimkan output melalui bobot-bobot outputnya
kesemua neuron yang berhubungan dengannya. Demikian seterusnya. Pada jaringan syaraf, neuron-neuron
dikumpulkan dalam lapisan-lapisan (layer) yang disebut lapisan neuron (neuron layers). Biasanya neuronneuron pada satu lapisan akan dihubungkan dengan lapisan-lapisan sebelum dan sesudahnya (kecuali lapisan
input dan lapisan output). Informasi yang diberikan pada jaringan syaraf dirambatkan lapisan kelapisan, mulai
dari lapisan input sampai ke lapisan output melalui lapisan yang lainnya, yang sering dikenal dengan nama
lapisan tersembunyi (hidden layer). Masukan pada lapisan input dari gambar adalah X selanjutnya input ini
diberi bobot sebelum masuk ke hidden layer. Pada hidden layer, dibentuk kombinasi linier dari input dan bobot
yaitu :

a. k adalah banyak keluaran
b. N, banyaknya lapisan tersembunyi
c. Wo adalah bobot yang menghubungkan lapisan tersembunyi dan keluaran
Suatu bias (treshold) dilibatkan dalam jaringan. Keluaran dari hidden layer masuk ke dalam suatu fungsi
aktivasi tertentu sebelum menuju output layer. Jadi output dari model diatas adalah :
Dengan f merupakan fungsi aktivasi
x adalah vector masukkan (x1-xm), variabel m yang dipakai pada contoh ini adalah 4 (3 masukkan dan 1
treshold).
Propagasi balik merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh
perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang
ada pada lapisan tersembunyinya. Algoritma propagasi balik menggunakan error output untuk mengubah nilai
bobot-bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (forward
propagation) harus dikerjakan terlebih dahulu. Pada saat perambatan maju, neuron-neuron diaktifkan dengan
menggunakan fungsi aktivasi sigmoid, yaitu :
Jaringan propagasi balik dikembangkan oleh Paul Werbos (Valurru B. Rao and Hayagriva V Rao,
1993;87) dan hampir 80% dari seluruh jaringan syaraf tiruan yang ada dalam perkembangannya menggunakan
jaringan ini karena mudah dalam proses belajarnya. Jaringan syaraf tiruan propagasi balik memiliki kemampuan
untuk menentukan hubungan antara sekelompok pola masukan dengan sekelompok pola keluaran yang
diberikan dan menggunakan hubungan ini pada saat diberikan pola masukan baru.
Suatu fungsi aktivasi propagasi balik memiliki ciri utama yaitu berkesinambungan dan adanya
peningkatan atau perbaikan yang berulang-ulang. Aplikasi propagasi balik yaitu memetakan masukan (input)
terhadap target keluaran (output). Tujuan pemetaan adalah untuk melatih jaringan mencapai suatu keseimbangan
antara kemampuan merespon polamasukan yang digunakan dalam pelatihan dengan kemampuan untuk memberi
respon masukan yang disesuaikan.
Prosedur belajar propagasi balik menggunakan metode gradient descent dengan paradigma belajar
supervised, sehingga pasangan data input-output (set data) mutlak harus tersedia. Data ini akan digunakan
sebagai pembimbing dalam mengenali polanya. Untuk dapat mengubah bobot sinapsis, maka proses komputasi
dilakukan dengan cara arah maju (forward) dan arah mundur (backward). Dengan mengacu pada gambar 2.5,
prosedur pelatihan jaringan beserta penjelasannya : pertama sebuah vektor masukan, X=Xp1, Xp1, …, XpN
diberikan pada lapisan masukan jaringan dengan p menyatakan pasangan vektor ke-p. Sel-sel masukan
mendistribusikan nilai-nilai masukan tersebut ke sel pada lapisan dalam. Jumlah masukan keseluruhan (net
input) untuk sel lapisan dalam ke-j dihitung sebagai penjumlahan dari keluaran sel-sel lapisan masukan yang
dikalikan dengan bobot interkoneksinya ditambah dengan suatu besaran yang disebut bobot bias. Bias satuan ini
memberikan nilai masukan fiktif 1 pada bobot bias dan pada bobot lainnya. Bobot bias diperlakukan sama dan
berpartisipasi dalam proses belajar seperti halnya bobot-bobot lainnya. Masukan net pada sel tersembunyi ke-j
adalah. Proses belajar dari model jaringan propagasi balik adalah sebagai berikut :
a.
Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup kecil).
b. Tetapkan : Maksimum Epoh, Target Error, dan Learning Rate (á).
c. Inisialisasi : Epoh = 0, MSE=1.
d. Kerjakan langkah-langkah berikut selama (Epoh < Maksimum Epoh) dan
(MSE > Target error).
1. Epoh = Epoh+1
2. Untuk tiap-tiap elemen input yang akan dilakukan pembelajaran,
kerjakan :
Feedforward :
a.
Tiap-tiap unit input (xi, i=1,2,3,…,n) menerima sinyal xi dan meneruskan sinyal tersebut ke
semua unit pada lapisan yang ada di atasnya (lapisan tersembunyi).
b. Tiap-tiap unit pada suatu lapisan tersembunyi (zj, j=1,2,3,…,p) menjumlahkan sinyal-sinyal
terbobot :
gunakan fungsi aktivasi untuk menghitung sinyal outputnya :
c.
zj= f (z_inj)
(2)
dan kirimkan sinyal tersebut ke unit di lapisan atasnya.
Tiap-tiap unit outputnya (yk, k= 1,2,3,…,m) menjumlahkan sinyal-sinyal masukkan
terbobot:
gunakan fungsi aktifasi untuk menghitung sinyal outputnya:
yk= f(y_ink)
d.
(4)
Tiap-tiap unit keluaran (Yk, k=1,2,3,…,m) menerima target referensi, untuk dihitung
informasi kesalahan-nya
kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai
Wjk):
hitung koreksi biasnya:
∆w0k= αδk
e.
Langkah (d) ini dilakukan sebanyak jumlah lapisan tersembunyi, yaitu menghitung
informasi error dari suatu lapisan tersembunyi ke lapisan tersembunyi sebelumnya.
Tiap-tiap unit tersembunyi (zj, j=1,2,3…,p) menjumlahkan delta input :
𝒎
𝜹_𝒊𝒏𝒋 = ∑ 𝜹𝒌 𝒘𝒋𝒌
𝒌=𝟏
kalikan nilai ini dengan turunan dari fungsi aktifasinya untuk menghitung informasi
kesalahan:
δj= δ_inj ƒ1(z_inj)
kemudian hitung koreksi bobot (yang nantinya digunakan untuk memperbaiki nilai v ij):
∆vij= αδj χk
Hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai b1j):
∆v0j= α δj
f.
Tiap-tiap unit output (yk, k=1,2,3,…,m) memperbaiki bias dan bobotnya (j=0,1,2,..,p):
wjk(baru)= wjk(lama) + ∆wjk
tiap-tiap unit tersembunyi (zj, j=1,2,3,..,p) memperbaiki bias dan bobotnya (i=0,1,2,…,n):
vij(baru)= vij(lama) + ∆vij
3.Hitung MSE
Obyektif dari prosedur ini adalah untuk mendapatkan bentuk persamaan dan nilai koefisien dalam
formula dengan meminimalkan jumlah Sum Square Error melalui model yang dikembangkan
(training set). Langkah – langkah yang digunakan adalah :
a.
Dimulai dengan lapisan masukan, hitung luaran dari setiap elemen pemroses melalui lapisan
luaran.
b. Hitung kesalahan pada lapisan luaran yang merupakan selisih antara data aktual dan target.
c.
Transformasikan kesalahan tersebut pada kesalahan yang sesuai di sisi masukan elemen
pemroses.
d. Propagasi balik kesalahan-kesalahan tersebut ke lapisan tersembunyi. Transformasikan
kesalahan ini pada luaran setiap elemen pemroses ke kesalahan yang terdapat pada
masukan.
e.
Ubah seluruh bobot dengan menggunakan kesalahan pada sisi masukan elemen pemroses
dan luaran elemen pemroses yang terhubung.
Tujuan dari perubahan bobot untuk setiap lapisan, bukan merupakan hal yang sangat penting.
Perhitungan kesalahan merupakan pengukuran bagaimana jaringan dapat belajar dengan baik. Kesalahan pada
luaran dari jaringan merupakan selisih antara keluaran aktual (currentoutput) dan keluaran target (desired
output).
Sum Square Error (SSE) dihitung sebagai berikut:
a.
Hitung luaran prediksi atau luaran model untuk masukan pertama.
b. Hitung selisih antara nilai luaran prediksi dan nilai target atau sinyal latihan untuk setiap luaran.
c.
Kuadratkan setiap luaran kemudian hitung seluruhnya. Ini merupakan kuadrat kesalahan untuk
contoh latihan.
𝑛
𝑘
𝑆𝑆𝐸 = ∑ ∑(𝐷𝑖𝑗 − 𝑓𝑗 (𝑥𝑖 ))2
𝑖=1 𝑗=1
a.
b.
Root Mean Square Error (RMS Error) dihitung sebagai berikut:
Hitung SSE
Hasilnya dibagi dengan perkalian antara banyaknya data latihan dan banyaknya luaran, kemudian di
akarkan.
𝑆𝑆𝐸
𝑅𝑀𝑆𝐸 = √
𝑁. 𝐾
Keterangan:
RMSE =
SSE
=
N
=
K
=
Root Mean Square Error
Sum Square Error
Banyaknya data pada latihan
Banyaknya output
Analisis Sistem
Untuk melakukan peramalan dibutuhkan dua hal mendasar yaitu kemampuan menganalisis data
runtut waktu (time seriesdata) dan pemilihan metode peramalan yang sesuai dengan data runtut waktu tersebut.
Pola kegiatan harga saham setiap harinya selalu mengalami penaikan atau penurunan, kondisi ini tergantung
pada banyak tidaknya pelaku pasar modal yang bertransaksi pada hari itu. Hal ini juga dipengaruhi dengan
kondisi perekonomian di Indonesia yang sedang berkembang. Data harga saham yang digunakan untuk
dilakukan prediksi dengan pengenalan pola merupakan saham dari perusahaan yang telah go public.
Perusahaan-perusahaan yang digunakan adalah PT. Telekomunikasi Indonesia Tbk., PT. H.M Sampoerna Tbk.,
PT. Astra International Tbk., PT. Bank Central Asia Tbk., dan PT. Jasa Marga Tbk.
Dalam prediksi harga saham, data yang paling dibutuhkan adalah data historical harga perubahan
saham selama beberapa waktu terakhir yang kemudian diolah untuk meramal harga saham beberapa waktu
kedepan. Tentunya masih ada banyak faktor yang dapat mempengaruhi harga saham yang akan terjadi, misalnya
adalah inflasi, faktor politik, kebijakan moneter dan kebijakan fiskal. Namun jika terlalu banyak faktor yang
diperhitungkan dalam peramalan hnya akan mempersulit peramalan itu sendiri karena terkadang faktor yang ada
justru saling bertolakbelakang untuk dianalisis. Semua ini menyebabkan metode yang tadi digunakan tidak
dapat memberikan peramalan yang memuaskan, sebab pola yang terjadi menjadi sangat dinamis. Jaringan
Syaraf Tiruan (JST) mempelajari data-data input dan melihat hubungannya melalui weight dan output
merupakan metode pendekatan yang jauh lebih baik dalam memberikan hasil peramalan yang lebih memuaskan
dari pada metode- metode lainnya. Input yang dipakai dalam peramalan bukan data mentah semata, namun data
yang telah diolah terlebih dahulu dengan sehingga dapat digunakan dalam pelatihan dan uji coba untuk lebih
meningkatkan performa JST.
Dalam menganalisis sistem peramalan harga saham, penulis menganalisis hal-hal penting
diantaranya:
a.
Perancangan aplikasi yang user interface untuk memudahkan pengguna mengoperasikan sistem.
b. Metode-metode yang dipakai dalam peramalan, penulis menggunakan algoritma jaringan syaraf
tiruan metode Backrpopagation.
c.
Data-data yang dipakai untuk input adalah data histori harga saham sebelumnya.
d. Proses training memakan waktu yang lama apabila data-data yang dipakai sebagai inputan sangat
banyak dan jumlah epoch yang besar.
Beberapa hal penting yang perlu diperhatikan untuk memberikan peramalan yang lebih baik adalah
penentuan variabel input-output, fungsi aktivasi, dan jumlah hidden layer yang akan dipakai dalam metode
Backpropagation tersebut. Data-data histori nilai harga saham dapat di-download
/ diambil dari
http://www.idx.co.id/id-id/beranda/unduhdata/ringkasan.aspx. Data histori nilai-nilai yang ada, dari tanggal 1
Mei 2013 sampai tanggal 31 Mei 2013.
Berdasarkan pola di pasar Bursa Efek Jakarta menunjukan bahwa harga saham pada suatu hari
dipengaruhi oleh harga saham pada hari-hari sebelumnya. Di dalam simulasi ini digunakan harga penutupan
pada satu hari ke depan sebagai target (variable Y) yang akan dibandingkan dengan hasil dari proses
JST.Berikut data – data yang digunakan untuk training program JST.
HASIL DAN BAHASAN
Pengujian dilakukan berdasarkan data pelatihan,dengan diambil sampel uji sebanyak 10 hari.
Table 4.2 Table Hasil Nilai Prediksi PT Jasa Marga
Tanggal
14/05/2013
15/05/2013
16/05/2013
17/05/2013
20/05/2013
21/05/2013
22/05/2013
23/05/2013
24/05/2013
27/05/2013
MAPE
Pembukaan
Tertinggi
Terendah
Penutupan
Real
6600
Prediksi
6604
Real
6700
Prediksi
6700
Real
6600
Prediksi
6600
Real
6650
Prediksi
6654
6650
6650
6650
6850
6850
6800
6750
6600
6650
6604
6698
6649
6800
6845
6750
6800
6650
6600
6700
6700
6850
6950
6900
6800
6800
6750
6700
6700
6695
6700
6850
6834
6833
6801
6800
6700
6600
6650
6650
6800
6650
6650
6600
6600
6550
6600
6599
6645
6799
6649
6649
6650
6600
6603
6650
6700
6850
6900
6800
6700
6600
6700
6550
6654
6695
6750
6850
6836
6750
6701
6601
6600
0.527757
0.5900515
0.245362
0.3456219
Table 4.3 Hasil Prediksi Saham PT Telekomunikasi Indonesia
Tanggal
14/05/2013
15/05/2013
16/05/2013
17/05/2013
20/05/2013
21/05/2013
22/05/2013
23/05/2013
24/05/2013
27/05/2013
MAPE
.
Pembukaan
Tertinggi
Terendah
Penutupan
Real
11800
Prediksi
11788
Real
11900
Prediksi
11856
Real
11700
Prediksi
11656
Real
11850
Prediksi
11800
11900
12050
11900
12150
12400
12150
12250
12300
12300
11856
11900
12046
12099
12351
12151
12233
12250
12246
12100
12100
12050
12900
12600
12450
12400
12400
12300
11988
12093
12098
12849
12533
12482
12482
12481
12333
11800
11850
11900
12150
21200
12150
12050
12250
12050
11756
11795
11848
12149
12180
12150
12150
12112
12100
11900
11900
11950
12300
12250
12350
12200
12300
12200
11884
11898
11900
12298
12299
12259
12260
12262
12256
0.5235648
0.4336775
0.4248896
0.2568451
Tabel 4.4 Hasil Nilai Prediksi Saham PT H.M Sampoerna
Tanggal
Pembukaan
Tertinggi
Terendah
Penutupan
14/05/2013
Real
86500
Prediksi
86501
Real
86500
Prediksi
86501
Real
86500
Prediksi
86400
Real
86500
Prediksi
86000
15/05/2013
86500
86501
86500
86501
85000
85008
85900
85903
16/05/2013
84500
85500
85500
86500
84500
85000
85500
85500
17/05/2013
85500
85501
88000
87500
85500
85000
88000
87500
20/05/2013
88000
87900
88000
87900
87000
86500
87800
87886
21/05/2013
87950
87747
88000
87873
87950
87747
88000
87873
22/05/2013
88000
87998
88000
88000
88000
87989
88000
87998
23/05/2013
87000
87500
87500
87873
87000
87000
87500
87873
24/05/2013
87005
87800
87950
87503
87750
87500
87950
87873
27/05/2013
87000
87746
87050
87500
87000
87500
87050
87500
MAPE
0.9365489
0.745145
0.821457
0.8456812
Table 4.5 Hasil Nilai Prediksi PT Astra International
Tanggal
14/05/2013
15/05/2013
16/05/2013
17/05/2013
20/05/2013
21/05/2013
22/05/2013
23/05/2013
24/05/2013
27/05/2013
MAPE
Pembukaan
Tertinggi
Terendah
Penutupan
Real
6950
Prediksi
7000
Real
7050
Prediksi
7100
Real
6950
Prediksi
6988
Real
6950
Prediksi
7000
7050
7150
7050
7100
7150
7150
7150
7150
7150
7166
7167
7081
7050
7150
7100
7124
7150
7150
7200
7150
7150
7300
7200
7250
7200
7200
7200
7179
7180
7150
7250
7233
7259
7249
7200
7233
7050
7050
7000
7100
7050
7150
7000
7100
7000
7049
7049
7016
7050
7099
7100
7098
7050
7099
7050
7050
7050
7200
7150
7150
7050
7200
7000
7049
7049
7016
7149
7143
7159
7100
7150
7050
0.445874
0.312564
0.247841
0.2148976
Table 4.6 Table hasil nilai prediksi PT Bank Central Asia
Tanggal
Pembukaan
Tertinggi
Terendah
Penutupan
14/05/2013
Real
11100
Prediksi
11050
Real
11100
Prediksi
11050
Real
10900
Prediksi
10898
Real
11000
Prediksi
10999
15/05/2013
11050
11000
11049
11050
10900
10899
11000
11000
16/05/2013
10950
11016
11000
11058
10850
10900
10900
11000
17/05/2013
10800
10950
11000
11000
10800
10850
11000
10900
20/05/2013
11050
10801
11150
11000
10900
10800
10900
10903
21/05/2013
11000
10800
11050
11000
10900
10800
11000
10907
22/05/2013
11000
10800
11050
11000
10950
10800
10950
11000
23/05/2013
11000
11020
11050
11089
10800
10900
10900
10950
24/05/2013
10950
11000
11050
11050
10950
10800
10950
10900
27/05/2013
11000
10950
11050
11050
10700
10823
10700
10907
MAPE
0,411256
0.286357
0.365655
0.215647
Dalam program peramalan ini, Mean Average Percentage Error (MAPE) dihitung
dengan mencari jumlah dari selisih antara nilai sebenarnya dan nilai peramalan, kemudian
dibagi dengan nilai sebenarnya.Setelah itu diubah kedalam bentuk persen dan dibagi dengan
jumlah data untuk melihat nilai error yang terjadi.
Evaluasi Program
Evaluasi program dilakukan untuk mengetahui kelemahan - kelemahan dan kelebihan - kelebihan
dari program yang teleh dibuat. Setelah dilakukan evaluasi diharapkan perancangan ini dapat terus
dikembangkan dan diperbaiki.
Kelebihan dan Kelemahan
Dari percobaan 5 perusahaan yang telah dilakukan, penulis dapat menyimpulkan bahwa keakurasian
dari tingkat peramalan cukup tinggi terutama apabila jarak penurunan atau kenaikkan harga saham tidak terlalu
tinggi. Dapat dilihat bahwa kenaikkan dan penurunan harga saham yang sebenarnya dapat diramalkan oleh
aplikasi yang di buat oleh penulis, walaupun tidak dalam satu garis yang sama. Kelemahan dari program ini
adalah apabila terjadi penurunan atau kenaikkan yang cukup signifikan pada harga saham program ini
akurasinya menjadi lemah.
SIMPULAN DAN SARAN
Kesimpulan yang dapat diambil dari mulai tahap rancangan sampai kedalam tahap implementasidan
evaluasi sistem program.Juga akan dibahas saran-saran yang perlu untuk dibahas dan dikembangkan untuk
sistem aplikasi program web.
Kesimpulan
Program peramalan dengan Jaringan syaraf tiruan dengan algoritma Backpropagation memberikan
hasil yang cukup memuaskan dalam peramalan harga sahamsehingga baik untuk dijadikan pertimbangan dalam
mengambil keputusan pembelian atau penjualan saham. Setelah perancangan Neural Network dan program,
pembuatan, implementasi sampai analisis dalam program ini, dapat diambil beberapa kesimpulan sebagai
berikut:
a.
Dalam menghasilkan suatu keputusan yang akurat guna menghindari hal-hal yang tidak diinginkan
pada masa yang akan datang suatu metode peramalan sangat diperlukan.
b. Peramalan dengan metode Jaringan syaraf tiruan Backpropagation merupakan salah satu metode
peramalan yang cukup akurat
c.
Faktor pemilihan input sangat berpengaruh pada ketepatan hasil peramalan harga saham tergantung
pada arsitektur yang digunakan. Input dalam proses training yang digunakan dalam peramalan ini
yaitu nilai Open, Close, High dan Low.
d. Dengan melihat hasil peramalan, dapat diambil kesimpulan bahwa harga saham PT H.M Sampoerna
memilki rentang high dan low harga saham yang cukup jauh sehingga program kurang akurat dalam
memprediksi. Sedangkan pada PT Jasa Marga, PT Telekomunikasi Indonesia, PT Astra International,
dan PT Bank Central Asia program meramalkan dengan cukup baik dikarenakan rentang harga
saham high dan low tidak terlalu jauh.
e.
Mengacu kepada hasil peramalan yang cukup baik, program ini dapat digunakan oleh para investor
dalam mempertimbangkan pembelian atau penjualan saham.
Saran
Dalam perancangan program aplikasi peramalan yang telah dilakukan,ada beberapa saran yang dapat
diberikan untuk penelitian dan pengembangan lebih lanjut, yaitu:
a.
Perlu diadakan penelitian lebih lanjut mengenai metode untuk peramalan harga saham yang lebih
akurat. Hal ini perlu dilakukan karena adanya faktor- faktor lainnya yang mempengaruhi pergerakan
harga saham seperti kegiatan perekonomian, pajak, keadaan bursa saham, faktor politik dan
keamanan dalam negri dan juga proporsi jumlah hutang perusahaan.
b. Mencoba menambah data-data historis yang telah ada menjadi lebih lengkap lagi sehingga
meningkatkan keakuratan peramalan. Semakin banyak data historis yang ada
untuk
di
training maka semakin akurat peramalan dengan menggunakan jaringan syaraf tiruan.
c.
Menggunakan hidden layer yang lebih banyak sehingga dapat diperoleh hasil yang akurat.
d. Dengan melihat keunggulan yang ada, program peramalan dengan Jaringan Syaraf Tiruandapat
dijadikan bahan pertimbangan bagi para pengamat bursa saham dan parainvestorsaham.
Jaringan Syaraf Tiruan sebagai Artificial Intelligence dapat diterapkan disegala bidang termasuk
bidang peramalan harga saham dengan banyaknya keunggulan yang ada, peramalan dengan Jaringan syaraf
tiruandapat menjadi metode yang paling sering digunakan. Kembali kepada dasar tolak ukur keberhasilan
peramalan yaitu factor kecepatan dan keakuratan.
REFERENSI
Agus Kretarto, 2001, Investor Relation: Pemasaran dan Komunikasi Keuangan Perusahaan berbasis kepatuhan,
Penerbit PT. Grafiti Pres, Jakarta
Bart Kosko (1992). Neural Network and Fuzzy Systems : A Dinamical Systems Approach to Machine
Intelegence. Prentice-Hall, Inc.
Cullis, J.G. and P.R. Jones. 1992. Public Finance and Public Choice. McGrow Hill. Singapore.
Ham FM, Kostanic I. 2001. Principles of Neurocomputing for Science andEngineering. New York: McGrawHill, Inc.
Husnan, Suad. 1998. Dasar-dasar Teori Portofolio dan Analisis Sekuritas. Edisi Kedua. Yogyakarta: UPP-AMP
YKPN.
Marzuki Usman, Singgih Riphat, Syahrir, Pengetahuan Dasar Pasar Modal, Institut Bankir Indonesia dan
Jurnal Keuangan & Moneter, Jakarta, 1997.
Muhammad, Arfan. 2006. Pengaruh Arus Kas Bebas, Set Kesempatan Investasi, Dan Financial Leverage
Terhadap Manajemen Laba. Disertasi Doktor. Universitas Padjadjaran, Bandung.
Patterson, Dan W. Artificial Neural Networks (Theory And Applications). Prentice Hall. 1996.
Rao, V.B. dan Rao, H.V., 1993, Neural Network and Fuzzy Logic, Management Information Source, New York.
Saludin Muis. 2006. Teknik Jaringan Syaraf Tiruan. Yogyakarta: Penerbit Graha Ilmu
Sartono, Agus. 1999. Manajemen Keuangan-Teori dan Aplikasi, Edisi Keempat, Cetakan Keenam, Yogyakarta:
BPFE-UGM.
Suyanto. Artificial Intelligence, Bandung: Informatika. 2007
Szeliski, R. (2011). Computer Vision : Algorithms and Applications. New York: Springer.
Trippi, Robert R. And Turban, Efraim. Neural Networks In Finance and Investing, Probus Publishing Company.
1993.
RIWAYAT PENULIS
Ivan David lahir di kota Jakarta pada tanggal 2 juli 1988. Penulis menamatkan pendidikan S1 di Binus
University dalam bidang Tehnik Informatika dan Matematika pada tahun 2013. Penulis pernah aktif di
organisasi UKM Sepak Bola sebagai kepala divisi umum.